Work

Coordinating Coupled Self-Organized Network Functions in Cellular Radio Networks

Year: 2015
Type: dissertation
Abstract: Nutzer der Mobilfunknetze wünschen und fordern eine Steigerung des \nDatendurchsatzes, die zur Erhöhung der Netzlast führt. Besonders seit der \nEinführung von LTE erhöht sich daher die Anzahl und Dichte der Zellen in \nMobilfunknetzen. Dies führt zusätzlich zur Zunahme der Investitions- und \nBetriebskosten, sowie einer höheren Komplexität des Nerzbetriebs. Der \nEinsatz selbstorganisierter Netze (SONs) wird vorgeschlagen, um diese drei \nHerausforderungen zu bewältigen. Einige SON-Funktionen (SF) wurden sowohl \nvon Seiten der Netzbetreiber als auch von den Standardisierungsgremien \nvorgeschlagen. Eine SF repräsentiert hierbei eine Netzfunktion, die \nautomatisiert werden kann. Ein Beispiel ist die Optimierung der Robustheit \ndes Netzes (Mobility Robustness Optimization, MRO) oder der Lastausgleich \nzwischen Funkzellen (Mobility Load Balancing, MLB). \nDie unterschiedlichen SON-Funktionen werden innerhalb eines Mobilfunknetzes \neingesetzt, wobei sie dabei häufig gleiche oder voneinander abhängige \nParameter optimieren. Zwangsläufig treten daher beim Einsatz paralleler \nSON-Funktionen\tKonflikte auf, die Mechanismen erfordern, um diese \nKonflikte aufzulösen oder zu minimieren. In dieser Dissertation werden \nLösungen aufgezeigt und untersucht, um die Koordination der SON-Funktionen \nzu automatisieren und, soweit möglich, gleichmä{\\ss}ig zu verteilen. \nIm ersten Teil werden grundsätzliche Entwürfe für SFs evaluiert, um die \nSON-Koordination zu vereinfachen. Basierend auf der Beobachtung, dass die \nSteurung der SON-Funktion sich ähnlich dem generischen Q-Learning Problem \nverhält, werden die SFs als Q-Learning-Agenten entworfen. Dieser Ansatz \nwurde mit sehr positiven Ergebnissen auf zwei SFs (MRO und MLB) angewandt. \nDie als Q-Learning-Agenten entworfenen SFs werden für zwei \nunterschiedliche Ansätze der SON-Koordination evaluiert. Beide \nKoordinierungsansätze betrachten dabei die SON-Umgebung als ein \nMulti-Agenten-System. Der erste Ansatz basierend auf einer \nräumlich-zeitlichen Entkoppelung separiert die Ausführung von \nSF-Instanzen sowohl räumlich als auch zeitlich, um die Konflikte zwischen \nden SF-Instanzen zu minimieren. Der zweite Ansatz wendet kooperatives \nLernen in Multi-Agenten-Systemen als automatisierten Lösungsansatz zur \nSON-Koordination an. Die einzelnen SF-Instanzen lernen anhand von \nUtility-Werten, die sowohl die eigenen Metriken als auch die Metriken der \nPeer-SF-Instanzen auswerten. Die Intention dabei ist, durch die erlernte \nZustands-Aktions-Strategie Aktionen auszuführen, die das beste Resultat \nfür die aktive SF, aber auch die geringste Auswirkung auf Peer-SFs \ngewährleisten. In der Evaluation des MRO-MLB-Konflikts zeigten beide \nKoordinierungsansätze sehr gute Resultate.
Language: English
Open Access status: green
OpenAlex ID: W1162594703
Cites: 70
Cited by: 4
Related to: 10