Title: On Machine Learning-based Channel Feedback Reduction in 4G/5G Networks
Language: English
Authors: Homayouni, Samira 
Qualification level: Doctoral
Keywords: LTE Lokalisierung 5G
LTE Localisation 5G
Advisor: Rupp, Markus  
Assisting Advisor: Schwarz, Stefan  
Issue Date: 2020
Number of Pages: 132
Qualification level: Doctoral
Abstract: 
Mit zunehmender Anzahl mobiler Benutzer muss dem Overhead, der durch alle Benutzerverbindungenentsteht, grosse Sorgfalt gewidmet werden. Die fünfte Generation und alle darüber hinausgehenden Funknetze werden als verschiedenen Typen extrem dicht und heterogen sein. Insbesondere der Breitbandzugang in einem dichten Gebiet oder einer Menschenmenge kann zu einem Verkehrsanstieg führen, der berücksichtigt werden sollte. Städtische Festivals, Sportveranstaltungen, insbesonderedie Olympischen Spiele oder die FIFA-Weltmeisterschaften, erhöhen die Verkehrsbelastung für Mobilfunknetze, da eine grosse Anzahl von Benutzern gleichzeitig um den Zugriff auf dieselben Funkressourcen konkurrieren. Aus diesem Grund stehen die meisten Mobilfunkbetreiber vor der Aufgabe eine konsistente Benutzerfahrung anzubieten. Derzeit werden zahlreiche Technologien untersucht,um sich in naher Zukunft zu Netzen der fünften Generation zu entwickeln. Zu diesem Zweckist die Suche nach einer praktischen Lösung zur Trennung der Explosion des Signalisierungsaufwands der Hauptgrund für diese Dissertation, wobei die praktischen Einschränkungen realer drahtloser Netzwerke zu berücksichtigen sind. In dieser Dissertation wird ein räumliches Verfahren zur Vorhersage drahtloser Kanäle vorgeschlagen und bewertet, insbesondere in überfüllten Umgebungen, das dazu beiträgt, den Rückkopplungsaufwand zu verringern. Die Basisstation nimmt mithilfe der Standorterkennung die entsprechenden Übertragungseinstellungen vor, da Standort und Kommunikation eng miteinander verbunden sind. Diese Vision basiert jedoch auf den Annahmen über die Verfügbarkeit von Standortinformationen mit geogetaggten Kanalqualitätsmetriken, die den Aufbau einer Datenbank unterstützenund die Vorhersage der Kanalqualitätsmetriken an beliebigen Orten und zu zukünftigen Zeiten ermöglichen.Das Problem der Vorhersage der Kanalqualitätsmetrik wird gelöst, indem ein effektiver Rahmen eines räumlichen Regressionswerkzeugs aus intelligenten Lösungen für maschinelles Lernengenutzt wird. Dafür wird eine Gaußsche Prozessregressionsmethode verwendet, welche dieVorteile der makroskopischen Schwundeigenschaften, dem sogenannten Shadowing, nutzt, der etwegen die Beobachtungen im nahen geografischen Raum ähnlich sind und diese Ähnlichkeit sich mitzunehmender Entfernung abschwächt.Basierend auf dieser Idee werden Benutzer, die eng beieinander stehen, wahrscheinlich ähnlichemehr oder weniger korrelierte Kanäle erleben, und daher kann die Menge an Feedback drastisch verringert werden, indem nur einige Benutzer ausgewählt werden, deren Feedback repräsentativ berücksichtigt wird. Die Leistungsbewertung wird unter Berücksichtigung realistischerer Systemszenarien durchgeführt, einschliesslich nicht statischer Benutzer und mehrerer Basisstationen. Die Strategie soll ausgeführt werden, während bestimmte Leistungsgrenzen des Blockfehlerverhältnisses als Indikator für die Verbindungsqualität eingehalten werden. Die vom Schätzfehler verfälschte Kanalqualitätsschätzung beeinträchtigt die Rate und damit die Leistung des Systems. Eine Optimierung des vorgeschlagenen Verfahrens wird weiter diskutiert, um der unnötigen Belastung durch Beeinträchtigungen aufgrund des Schätzfehlers entgegenzuwirken. Schliesslich wird die Wirksamkeit der vorgeschlagenen Methode durch Quantifizierung der prozentualen Rückkopplungsersparnis bewertet,was die Grundlage für bevorstehende Strategien für das Netzdesign bildet.

As mobile users increase in number, a major concern has to be devoted to the overhead ensued byall user connections. In the Fifth-generation and in all networks beyond, the traffic will be extremelydense and heterogeneous in various types. In particular, the broadband access in a dense area or acrowd can lead to a signaling surge which should be accounted for. Urban festivals, sports events,particularly the Olympics or FIFA World Cups games, sharpens the traffic load to mobile networks,since a large number of users compete to access the same radio resources concurrently. Driven bythat, most mobile network operators are also affected by a daunting task of providing consistentand seamless user experience and numerous technologies are currently being investigated to evolveinto the near future fifth-generation networks. Towards this end, finding a practical solution so as tosegregate the explosion in signalling overhead is the main driver behind this dissertation, bearing inmind the practical constraints of real-life wireless networks.In this dissertation, a spatial wireless channel prediction method is proposed and evaluated,particularly in crowded environments, which aids to lessen the amount of feedback overhead. Thebase station makes its appropriate transmission settings with the help of location-awareness aslocation and communication are tightly coupled. However, this vision is based on the assumptions ofthe availability of location information with geo-tagged channel quality metrics which underpins aconstruction of a database and enables to predict the channel quality metrics at arbitrary locationsand future times. The problem of channel quality metric prediction is addressed by exploiting aneffective framework of a spatial regression tool from intelligent machine learning solutions. Namely,using a Gaussian process regression method which takes advantage of the macroscopic shadowingproperties for which the observations at nearby locations in geographic space are similar and thesimilarity weakens as the distance increases.Based on this idea, the users who are closely-spaced are likely to experience similar correlatedchannels, and hence, the amount of feedback can drastically be alleviated by selecting only somerepresentative users whose feedback is taken into account versus all. The performance assessment isconducted by considering more realistic system scenarios, including non-static users and multiplebase stations. The strategy has to be carried out while certain performance bounds of the block errorratio is met as an indicator of the link quality. The biased channel quality estimation, aroused fromthe estimation error, impairs the rate and hence the performance of the system. An optimization ofthe proposed method is further discussed to counteract the unnecessary burden of impairments due tothe estimation error. Finally, the effectiveness of the proposed method is assessed by quantifying theamount of feedback saving in percentage, which proves to build up the basis for upcoming networkdesign strategies.
URI: https://doi.org/10.34726/hss.2020.79800
http://hdl.handle.net/20.500.12708/15365
DOI: 10.34726/hss.2020.79800
Library ID: AC15733607
Organisation: E389 - Telecommunications 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:

Show full item record

Page view(s)

29
checked on Feb 21, 2021

Download(s)

34
checked on Feb 21, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.