新兴网络中利用移动性参数实现 KPI 最大化的机器学习框架
网络与互联网体系结构
2022-02-01 v1 机器学习
摘要
当前的 LTE 网络面临着大量的配置与优化参数（COP），包括硬参数和软参数，这些参数需要手动调整以管理网络并提供更好的体验质量（QoE）。随着 5G 的到来，每个站点的这些 COP 数量预计将达到 2000 个，使得通过手动调优来寻找这些参数的最优组合成为一项不可能完成的任务。与这数千个 COP 相伴的是新兴网络中预期的网络密集化，这加剧了网络运营商在管理和优化网络方面的负担。因此，我们提出一个基于机器学习的框架，并结合启发式技术，来发现移动性中使用的两个相关 COP——小区个体偏移（CIO）和切换裕量（HOM）——的最优组合，以最大化特定的关键性能指标（KPI），例如所有连接用户的平均信号与干扰加噪声比（SINR）。该框架的第一部分利用机器学习的能力，根据 CIO 和 HOM 的多种不同组合来预测感兴趣的 KPI。然后将得到的预测结果输入遗传算法（GA），该算法搜索上述两个参数的最佳组合，以产生所有用户的最大平均 SINR。还使用多种机器学习技术评估了该框架的性能，其中 CatBoost 算法产生了最佳的预测性能。同时，与暴力搜索方法相比，GA 能够更有效地揭示最优参数设置组合，并且收敛速度快了三个数量级。
引用
@article{arxiv.2005.01474,
title = {A Machine Learning based Framework for KPI Maximization in Emerging Networks using Mobility Parameters},
author = {Joel Shodamola and Usama Masood and Marvin Manalastas and Ali Imran},
journal= {arXiv preprint arXiv:2005.01474},
year = {2022}
}