Back to Search
Start Over
Proactive resource allocation in spectrum sharing with radar systems via ML-based wireless network time series forecasting
- Publication Year :
- 2022
- Publisher :
- Oulun yliopisto, 2022.
-
Abstract
- The prediction of wireless network parameters can help to facilitate proactive resource allocation solutions not only in cellular networks but also in enterprise networks. In this thesis, temporal and spatial analysis of network traffic using real traffic data of an enterprise network are presented, where we use three different machine learning (ML-based) methods and two different classical methods for temporal forecasting traffic usage. The results show that no universal best forecasting method can predict the traffic usage of every AP in an enterprise wireless network. The ML-based combined models are also used for spatio-temporal forecasting, improving the forecasting performance of single AP traffic usage. However, analyzing and predicting only network layer traffic data is not enough to execute decisions for resource allocation since the channels utilized in enterprise networks are shared unlicensed channels. Therefore, analyzing and forecasting the physical layer data of a channel are also investigated. In this thesis, we also improved the performance of conventional ML-based methods for time series forecasting by proposing a features-like grid training data structure which uses historical data as features. After proving that physical layer data has more predictive power in the time series forecasting aspect with all forecasting models, physical layer data transmit power (TP) and interference prediction are applied in spectrum sharing with a radar system to improve the secure radar protection and efficient transmission of APs. In particular, weather radar operating in the 5.6 GHz band is considered a primary system and the secondary system is an enterprise network consisting of APs in a university campus. First, the transmit power time series of APs in the campus are modeled with multinomial distribution based on real collected data. Then, the aggregated interference due to the transmissions from the APs at the radar is predicted using LSTM with Monte Carlo (MC) dropout by considering model uncertainty. Finally, an efficient sharing and radar protection (ESRP) system based on two algorithms is proposed by using an averaged and predicted upper limit interference time series. The results show that the proposed ESRP system with an upper limit of interference prediction ensures radar protection with better throughput than the conventional radar protection systems. Moreover, better radar protection can be achieved with a small trade-off for the throughput of the secondary users by adjusting the MC dropout value used in the ESRP system. Tiivistelmä Langattoman verkon parametrien ennustaminen voi auttaa edistämään ennakoivia resurssien allokointiratkaisuja myös yritysverkoissa. Työssä esitetään verkkoliikenteen ajallinen ja spatiaalinen analyysi yritysverkon todellisen liikennedatan avulla. Käytämme kolmea koneoppimismenetelmää (ML) ja kahta klassista menetelmää liikenteen käytön ajalliseen ennustamiseen. Tulokset osoittavat, että ei ole olemassa yhtä yleismaailmallista parasta ennustemenetelmää, jolla voidaan ennustaa jokaisen tukiaseman liikenteen käyttöä yrityksen langattomassa verkossa. ML-pohjaisia yhdistettyjä malleja käytetään myös ajallispaikalliseen ennustamiseen, mikä paransi yhden tukiaseman liikenteen käytön ennustamista. Pelkän verkkokerroksen liikennetietojen analysointi ja ennustaminen ei kuitenkaan riitä resurssien allokointipäätösten suorittamiseen, koska yritysverkoissa käytettävät kanavat ovat jaettuja lisensoimattomia kanavia. Siksi tutkitaan myös kanavan fyysisen kerroksen datan analysointia ja ennustamista. Paransimme myös perinteisten ML-pohjaisten menetelmien suorituskykyä aikasarjaennusteissa ehdottamalla uutta tietorakennetta oppimiseen, joka käyttää ominaisuuksina historiallisia tietoja. Sen jälkeen, kun on todistettu, että fyysisen kerroksen tiedoilla on enemmän ennustusvoimaa aikasarjan ennustamisessa kaikissa ennustemalleissa, fyysisen kerroksen datan lähetystehoa (TP) ja häiriöennustetta käytetään spektrin jakamisessa tutkan kanssa tutkasuojauksen ja tukiasemien tehokkaan tiedonsiirron parantamiseksi. Erityisesti 5,6 GHz:n kaistalla toimivaa säätutkaa tutkitaan ensisijaisena järjestelmänä ja toissijainen järjestelmä on yliopistokampuksen tukiasemista koostuva yritysverkko. Ensin kampuksen tukiasemien lähetystehon aikasarjat mallinnetaan multinomijakaumalla todellisen kerätyn datan perusteella. Tutkalle tukiasemien lähetyksistä johtuvat häiriöt ennustetaan käyttämällä LSTM:ää Monte Carlo (MC) -pudotuksen kanssa ottaen huomioon mallin epävarmuus. Lopuksi ehdotetaan kahteen algoritmiin perustuvaa tehokasta jakamis- ja tutkasuojausjärjestelmää (ESRP) käyttämällä keskiarvotettuja ja ennustettuja ylärajan häiriöaikasarjoja. Tulokset osoittavat, että ehdotettu ESRP-järjestelmä, jossa on häiriöennusteen yläraja, varmistaa tutkasuojan paremmalla suorituskyvyllä kuin perinteiset tutkasuojajärjestelmät. Lisäksi parempi tutkasuojaus voidaan saavuttaa pienellä kompromissilla toissijaisten käyttäjien suorituskyvyssä säätämällä ESRP-järjestelmässä käytettyä MC pudotusarvoa.
- Subjects :
- neural network
tutkat
GRU
temporal
ajallispaikallinen
forecasting
neuroverkot
DFS
SARIMA
todellisen verkon data
CNN-GRU
yhdistetyt häiriöt
aggregated interference
spatio-temporal
ennusteet
Holt-Winters
CNN-LSTM
aikasarja-analyysi
WLAN
ajallinen
time series analysis
spektrinjako
real network data
LSTM
spectrum sharing
CNN
radar
Subjects
Details
- Language :
- English
- Database :
- OpenAIRE
- Accession number :
- edsair.od......2423..7b5576da6e72aa21b2d530f1e12c96f8