用于无线接入网变化检测的自监督Transformer架构
机器学习
2024-01-25 v1
摘要
电信领域的无线接入网（RAN）是由数十万个发射设备（小区）组成的庞大互联硬件集合。此类网络会经历由网络运营商引起的频繁且通常是异构的变化，运营商旨在调整其系统参数以获得最佳性能。此类变化的影响难以预测，并且随着5G/6G网络的采用将变得更加难以预测。因此，RAN监测对网络运营商至关重要。我们为此任务提出了一个利用自注意力和自蒸馏的自监督学习框架。它通过检测性能测量数据中的变化来工作，性能测量数据是一组随时间变化的指标，反映了小区级别网络性能的多种测量结果。实验结果表明，在一个包含约十万条时间序列的基于真实世界的数据集上，我们的方法性能比现有技术高出4%。它还具有可扩展和泛化能力强的优点。这使得它能够在最少依赖专家知识的情况下，深入洞察操作模式变化的细节。
引用
@article{arxiv.2302.02025,
title = {Self-Supervised Transformer Architecture for Change Detection in Radio Access Networks},
author = {Igor Kozlov and Dmitriy Rivkin and Wei-Di Chang and Di Wu and Xue Liu and Gregory Dudek},
journal= {arXiv preprint arXiv:2302.02025},
year = {2024}
}
备注
Accepted by 2023 IEEE International Conference on Communications (ICC) Machine Learning for Communications and Networking Track