Mobilhálózati kapacitás-igény előrejelzése a jelzéshálózati forgalom elemzésével
A mobilhálózatokban jelentkező erőforrásigények a felhasználói mobilitástól és eszközhasználattól függően változatosan jelennek meg. A szolgáltatók folyamatosan fejlesztik a hálózat képességeit új technológiák bevezetésével, jelenleg többek között épp a hálózati funkciók virtualizálásával, mellyel képesek lehetnek az erőforrásokat a korábbinál jobban optimalizálni. A hálózati erőforrás-elosztást a tapasztalt forgalmi adatok alapján méretezik, ami mindaddig optimális, míg a jövőbeli forgalom hálózati igényei hasonlóak valamilyen korábbi eseményhez. Általában elmondható, hogy a társadalom nagy része a napi rutinja szerint él – például reggel munkába utazik az agglomerációból, majd délután haza – így az általuk generált mobilhálózati forgalom könnyen előre jelezhető. Ezzel szemben, az egyre jobban elterjedő home office kultúra következtében nem könnyű előre jelezni az egyes napok hálózati forgalmának volumenét és típusát. Az IoT (Internet of Things) végpontok forgalmának előrejelzési lehetősége is változó: a periodikus forgalmat generáló szenzorok forgalma, és a rendezvényekhez vagy kampányokhoz kötött IoT forgalom nehezen becsülhető. Ha képesek vagyunk megbecsülni, hogy a felhasználók statisztikailag hol, mikor milyen számítási-, memória- és sávszélesség-igényű szolgáltatásokat fognak használni, akkor a hálózati erőforrásokat hatékonyan tudjuk elosztani és allokálni a jövőben jelentkező igényekhez.
A maghálózati forgalom monitorozásával és feldolgozásával meg lehet határozni a felhasználók mozgását, amiből előre lehet becsülni a TA-k (Tracking Area) leterheltségét és az átlagforgalom trendszerű változásait. A jelzésváltás üzenetek várható értékének becslésére több módszer is használható, viszont a felhasználók viselkedése sokszor kiszámíthatatlan – például váratlan események bekövetkezése esetén – így a hagyományos matematikai idősoros elemzések várhatóan nem adnak elég pontos eredményt. Ezért gépi tanulási módszer alkalmazásával próbálok meg pontosabb becslést előállítani a várható jelzésváltási forgalom intenzitásáról a hálózatban. Az adatfeldolgozó neurális hálózat képes rejtett mintázatot is felfedezni a bemeneti adatsoron, melyeket figyelembe vesz a becslés során.
A mobilhálózatokban a RAN (Radio Access Network) és CN (Core Network) között a vezérlő- és adatforgalom külön interfészeken halad, és más hálózati entitásokat köt össze. Jelenleg a publikus 5G mobilhálózat még non-standalone képességekkel rendelkezik, így az LTE S1AP protokollon modellezem azt, amit majd később az 5G SA hálózat NGAP protokollján tapasztalhatunk.. A feladat során a publikus LTE mobilhálózat S1AP interfészének monitorozásával gyűjtök mintákat az adatfolyamból, ami az eNB-t és a core-ban lévő MME-t (Mobility and Management Entity) köti össze. Ezen az interfészen keresztül menedzseli a hálózat a felhasználók mozgásának kezeléséhez szükséges HO (Handover) és TAU (Tracking Area Update) üzeneteket. Ezen üzenetek alapján lehet meghatározni a felhasználók mozgását a mobilhálózatban, és különböző módszerekkel becslések készíthetők a várható hálózati igényekről. Dolgozatom célja annak vizsgálata, hogy a TAU és HO üzenetek elemzésével hogyan lehet a jelenleginél pontosabb előrejelzést adni a várható mobilhálózati igényekről és ezek alapján a jelenleginél optimálisabban méretezni a hálózati erőforrásokat.
szerző
-
Makai Lajos Bence
Villamosmérnöki szak, mesterképzés
mesterképzés (MA/MSc)
konzulensek
-
Dr. Varga Pál
egyetemi docens, Távközlési és Médiainformatikai Tanszék -
Tánczos László
RAN szakértő, Magyar Telekom NyRT (külső)
