机器学习与智能手机辅助的5G蜂窝系统实时上行链路性能预测
网络与互联网体系结构
2026-04-21 v1
摘要
我们提出了一种机器学习和智能手机辅助的框架,用于在私有、真实的5G蜂窝系统中,利用室内和室外环境下的实时测量进行上行链路性能预测。这项工作使用可控的软件定义无线电测试环境,对5G性能预测进行了全面的数据驱动评估。实验平台基于srsRAN 5G NR协议栈构建,运行在配置为gNB和5G核心的戴尔工作站上,工作频率为3.4 GHz。两台商用Google Pixel 7a设备被用于捕获上行链路指标,包括信道质量指示符(CQI)、调制编码方案(MCS)、吞吐量、传输时间间隔(TTI)和误块率(BLER)。使用行业标准工具(如Ookla和iperf)生成不同类型的流量,涵盖静止、行人和移动场景,并在视距(LOS)和非视距(nLOS)传播环境下进行。其他数据集包括YouTube视频会话和全球服务器端点,以引入路径特征的变异性。由此产生的测量数据(包括多用户设备干扰条件)作为几种监督回归模型的训练数据。对五种学习算法——线性回归、决策树、随机森林、XGBoost和LightGBM——的预测准确性进行了基准测试。研究表明,仅使用商用现货(COTS)智能手机和广泛可用的机器学习方法即可实现可靠的吞吐量和BLER预测,为真实世界5G网络性能评估提供了一条实用途径。
引用
@article{arxiv.2604.16356,
title = {ML and Smartphones Assisted Real-Time Uplink Performance Prediction in 5G Cellular System},
author = {Md Mahfuzur Rahman and Jareen Shuva and Nishith Tripathi and Lingjia Liu and Jeffrey Reed},
journal= {arXiv preprint arXiv:2604.16356},
year = {2026}
}