Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/jspui/handle/123456789/26678
Title: Machine learning based handover management for LTE Networks with coverage Holes
Authors: Guerra, Tarciana Cabral de Brito
Keywords: Handover;LTE;Falhas de cobertura;Aprendizado de máquina;ns-3
Issue Date: 18-Dec-2018
Citation: GUERRA, Tarciana Cabral de Brito. Machine learning based handover management for LTE Networks with coverage Holes. 2018. 78f. Dissertação (Mestrado em Engenharia Elétrica e de Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2018.
Portuguese Abstract: Antigos paradigmas têm sido adaptados para atender à crescente demanda por acesso sem fio à internet de banda larga. Um deles, o Hierarchical Cell Structure (HCS), que já está sendo aplicado no LTE-A e é considerado imprescindível no 5G, consiste na instalação de diversos tipos de small cells, criando áreas de cobertura sobrepostas com as tradicionais macrocélulas. Devido à sua baixa potência de transmissão e a suas estações rádio base estarem instaladas em uma altura menor do que algumas construções, estando ocasionalmente internas a elas, as small cells são severamente afetadas pelos obstáculos próximos, tornando a Qualidade de Serviço (QoS) percebida pelos usuários sujeita a variações bruscas. Dado que os algoritmos clássicos de gerenciamento de mobilidade não conseguem prever essas flutuações na QoS, os mesmos se tornam ineficientes em tais cenários. Considerando a quantidade de informação sobre o desempenho das redes que está atualmente disponível e a evolução da capacidade de processamento em tempo real, um aperfeiçoamento das funcionalidades do LTE por meio da utilização de algoritmos baseados em aprendizado de máquina faz-se possível. Este trabalho propõe e avalia o desempenho de uma abordagem de handover baseada em aprendizado de máquina em um ambiente com a presença de obstáculos à propagação, simulado por meio do software ns-3. As técnicas de aprendizado aqui apresentadas conseguem aprender por meio de experiências passadas, sendo capazes de escolher qual eNB mais provavelmente oferecerá ao usuário a melhor QoS a longo prazo, mesmo em condições de propagação severas. A avaliação do desempenho constata que os esquemas propostos beneficiam substancialmente a QoS dos usuários em determinadas circunstâncias.
Abstract: Legacy strategies have been adapted to fulfill the increasing demand for wireless broadband internet access. One of them, the Hierarchical Cell Structure (HCS), that is already in use in LTE-A and it is considered essential for the 5G, consists in the deployment of several types small cells under the umbrella of macrocells, creating overlaid coverages. Due to their low power and bellow-rooftop-level, sometimes indoor base stations, the small cells are severely affected by the surrounding obstacles, making the perceived Quality of Service (QoS) of the users subject to fast variations, thus rendering ineffective the classical approaches to mobility management, that are unable to predict those severe fading situations (coverage holes). Considering the amount of available information on the network performance and the evolution of real-time processing capabilities, the enhancement of LTE functionalities such as the handover, by means of machine learning algorithms became possible. This work proposes and evaluates the performance of a machine learning based approach to handover in scenarios with the presence of signal-blocking obstacles, simulated with the software ns-3. Our machines learn from experience and they are, therefore, able to choose the eNB that will most likely offer the user the highest long term QoS after the handover procedure, even in severe propagation conditions. The performance evaluation shows that the proposed schemes substantially improve the users’ QoS in certain circumstances.
URI: https://repositorio.ufrn.br/jspui/handle/123456789/26678
Appears in Collections:PPGEE - Mestrado em Engenharia Elétrica e de Computação

Files in This Item:
File Description SizeFormat 
Machinelearningbased_Guerra_2018.pdf2.14 MBAdobe PDFThumbnail
View/Open


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