УДК 004.81
Построение и анализ модели предсказания качества
радиоканала сети 5G на основе машинного обучения
А. А. Мамонов∗ , А. А. Полищук∗ , И. С. Ярцева∗ ,
А. А. Платонова∗ , Ю. Н. Орлов∗†
∗
Кафедра прикладной информатики и теории вероятностей
Российский университет дружбы народов
Ул. Миклухо-Маклая, 6, Москва, 117198, Россия
†
Федеральный исследовательский центр “Информатика и управление”
Российской академии наук (ФНЦ КНЦ РАН)
119333, Москва, ул. Вавилова, 44-2, Россия
Email: 1042210235@rudn.university, 1032202155@pfur.ru, yartseva-is@rudn.ru, platonova-aa@rudn.ru,
orlov-yun@rudn.ru
Одной из важных задач в оценке характеристик беспроводных сетей связи является
анализ интерференции, которая позволяет оценить теоретически достижимую скорость
передачи и существенно влияет на качество предоставления услуг в сетях 5-го поколения
(5G). В работе исследуется прогнозирование показателя качества сигнала, а именно,
показателя отношения сигнала к суммарной помехе и шуму (Signal to Interference and
Noise Ratio, SINR) на оборудовании подвижного пользователя с помощью однослойной
нейронной сети. Исходными данными является временной ряд значений SINR, на выходе
получаем предсказанное значение следующего измерения.
Ключевые слова: 5G, машинное обучение, соотношение сигнал/помеха и шум, нейронные сети.
1.
Введение
Требования к беспроводным сетям связи поколения 5G предполагают минимизацию участия человека в организации передачи информации по сети за счет
привлечения к управлении сетью искусственного интеллекта. В статье представлен метод, позволяющий прогнозировать значение отношения сигнала к помехам
и шуму (Signal-to-Interference-and-Noise-Ratio, SINR) на оборудовании подвижного пользователя с помощью одного из методов машинного обучения, а именно - с
помощью аппарата нейронных сетей [1]. Постановка задачи взята из [2], подход к
решению - из [3].
2.
Модель движения пользователей
Исследуется зона покрытия базовой станции (БС) одной из технологий радиодоступа (например, LTE, 5G NR mmWave или 5G sub-6GHz), изображенная на рис.1.
По зоне покрытия перемещаются пользователи, которым БС передаёт данные с
уровнем качества, не ниже заданного. Для моделирования траекторий выбрана
модель движения «Случайное блуждание по сетке» (Grid Random Walk).
Для обучения нейронной сети (Artificial neural network, ANN) с помощью имитационного моделирования перемещения пользователей был получен временной ряд,
где измерениями являются позиции пользователя на последовательных тактах, собранные по траектории передвижения пользователей. Далее уровень принимаемого
сигнала на оборудовании пользователя был вычислен следующим образом:
C
+ Grx + Gtx ,
B · 4π · d
где d - расстояние между приемником и передатчиком; Ptx , Prx - мощность передаваемого (принимаемого) радиосигнала, Grx , Gtx - усиление принимающей (передающей) антенны; B - несущая частота.
Prx = Ptx −
Рис. 1. Модель зоны покрытия базовой станции
На каждом временном такте БС передает пользователю пакеты данных. Мощность сигнала, передаваемого пользователю, зависит от отношения SINR, измеренного на оборудовании пользователя. От SINR также зависит, какую модуляционнокодовую схему выберет БС для передачи сигнала. Для упрощения будем понимать
под SINR значение Ptx на оборудовании пользователя UE.
Полученный временной ряд значений SINR разделили на обучающую (80%) и
тестовую (20%) выборки для применения однослойной нейронной сети.
Для описанной системной модели объектом xi является набор n последовательных тактов времени, а признаками объекта xi : f1 (xi ), ..., fn (xi ) будем считать заданные значения SINR, соответствующие пяти тактам времени, т.е. n - число признаков.
На вход нейронной сети подаются значения SINR пользователя в пяти последовательных тактах времени, т.е. n = 5. Далее в результате на выходе сети мы
получаем предсказание, вычисленное по формуле:
a(x, w)= ⟨w, f (x)⟩ =
n
X
wj fj (x),
j=1
где x - объект; wj - неизвестные веса признаков; n - число весов; j = 1, ..., n.
3.
Полученные результаты
Были рассмотрены 4 траектории с разным распределением подвижных пользователей, при этом каждому пользователю назначалась случайная скорость и отклонение от траектории. На рис. 2 и 3 показаны графики, которые сравнивают
предсказанное значение SINR c реальным и показывают изменение оценки функционала качества.
Рис. 2. Предсказание и заданные значения SINR на каждом объекте
Рис. 3. Изменение оценки функционала качества
Для обучения сети потребовалось 25 эпох. Эпохой в данном случае считаем
одну итерацию метода стохастического градиента по всем объектам обучающей
выборки.
4.
Заключение
В данной статье рассматривается метод прогнозирования значения SINR c помощью однослойной нейронной сети. Основной целью работы была разработка
модели для предсказания значений SINR на оборудовании пользователя. В ходе
работы были поставлены задачи дальнейших исследований, а именно: переход от
однослойной нейронной сети к двухслойнной, использование нескольких базовых
станций для учета интерференции.
Благодарности
Публикация выполнена при поддержке Программы стратегического академического лидерства РУДН и при финансовой поддержке РФФИ в рамках научного
проекта № 20-07-01064.
Литература
1.
2.
3.
Воронцов К.В., Математические методы обучения по прецедентам (теория обу
чения машин)// М: МФТИ, 2011.
Ullah R., Marwat S. N. K., Ahmad A. M., Ahmed S., Hafeez A., Kamal T., Tufail
M., A Machine Learning Approach for 5G SINR Prediction// Electronics, 2020,
9(10), 1660. doi:10.3390/electronics9101660.
Бобрикова Е.В., Платонова А.А., Гайдамака Ю.В., Шоргин С.Я., Пример применения аппарата нейронных сетей при назначении модуляционно-кодовой схемы планировщиком базовой станции сети 5G// Системы и средства информатики, 2021, 31(3), 135-143. doi:10.3390/10.14357/08696527210312.
UDC 004.81
Building and analysing a machine learning based model for
predicting 5G radio link quality
A. Mamonov∗ , A. Polishchuk∗ , I. Yartseva∗ , A. Platonova∗ , Yu. Orlov∗†
∗
Department of Applied Computer Science and Probability Theory
Peoples’ Friendship University of Russia
Miklukho-Maklaya str. 6, Moscow, 117198, Russia
†
Federal Research Center “Computer Science and Control”
of the Russian Academy of Sciences (FRC CSC RAS)
44-2 Vavilov St, Moscow, 119333, Russia
Email: 1042210235@rudn.university, 1032202155@pfur.ru, yartseva-is@rudn.ru, platonova-aa@rudn.ru,
orlov-yun@rudn.ru
One of the important tasks in assessing the characteristics of wireless communication networks is the analysis of interference, which makes it possible to estimate the theoretically
achievable transmission speed and significantly affects the quality of services in 5G networks.
The paper investigates the prediction of the signal quality indicator, namely, the Signal to
Interference and Noise Ratio (SINR) indicator on the equipment of a mobile user using a
single-layer neural network. The initial data is a time series of SINR values, the output is
the predicted value of the next measurement.
Key words and phrases: 5G,machine learning,Signal-to-Interference-and-Noise-Ratio,neural
networks.