А.К. Гайсин1, А.А. Коробков2, И.А. Сафиуллин3, И.П. Ашаев4, А.Ф. Надеев5

1–5 Казанский национальный исследовательский технический университет
им. А.Н. Туполева – КАИ (г. Казань, Россия)

1 akgaysin@kai.ru, 2 aakorobkov@kai.ru, 3 iasafiullin@kai.ru, 4 ipashaev@kai.ru, 5 afnadeev@kai.ru

Постановка проблемы. Развитие перспективных гетерогенных сетей беспроводного радиодоступа открывает новые возможности для инновационных технологий в жизни человека. Такие сети строятся по принципу открытых сетей. Это позволяет разрабатывать новые методы и алгоритмы обработки сигналов и данных в таких сетях с целью динамического управления ресурсами сети и повышения эффективности их работы. Одним из параметров, анализ которого позволяет повысить эффективность управления ресурсами, является характер мобильности пользователей. Получаемые данные о работе сети, на основе которых можно принять решение о характере мобильности пользователей, имеют большой объём и являются многомерными. Поэтому для классификации пользователей по характеру мобильности требуется решение задачи снижения размерности данных. В работе рассматривается многомерная модель и метод снижения размерности данных, которые косвенно описывают характер мобильности. Для использования многомерной модели необходимо решение задачи оценки порядка такой модели и параметров алгоритма классификации.

Цель. Исследовать влияние характера мобильности пользователей на параметры многомерной модели для классификации групп пользователей в гетерогенных сетях O-RAN.

Результаты. Рассмотрена многомерная модель, позволяющая проводить классификацию пользователей гетерогенных сетей O-RAN по характеру их мобильности. Показано, что многомерная модель, представляемая в виде тензора, описывает изменение мощности принимаемого сигнала и отношения сигнал/шум+интерференция относительно базовых станций сети O-RAN. Применен метод Density-Based Spatial Clustering of Applications with Noise (DBSCAN) для классификации пользователей по характеру мобильности. Проведено исследование влияния характера мобильности на параметры многомерной модели и алгоритма DBSCAN с использованием разработанной программной модели, которая описывает сегмент сети O-RAN. Представлены разработанные сценарии для исследования влияния характера мобильности на параметры многомерной модели с целью классификации групп пользователей по их мобильности. Установлено по результатам моделирования, что количество пользователей в группах не влияет на порядок многомерной модели и параметры классификатора DBSCAN. Показано, что наибольший вклад в изменение параметров многомерной модели вносит топология сети связи. Отмечено, что для решения задачи классификации пользователей по характеру мобильности вся сеть O-RAN может быть разделена на сегменты, и параметры многомерной модели для каждого сегмента могут быть заранее определены и зафиксированы в соответствии с топологией сети.

Практическая значимость. Разработанная программная модель позволяет моделировать сегмент сети O-RAN c группами пользователей, имеющий разный характер мобильности. Для исследования влияния характера мобильности на параметры многомерной модели разработаны сценарии моделирования. Проведённое моделирование показало, что наилучшие результаты классификации пользователей по характеру их мобильности достигаются при порядке многомерной модели равной трём.

1. Shafi M., Molisch A.F., Smith P.J., Haustein T., Zhu P., De Silva P., Tufvesson F., Benjebbour A., Wunder G. 5G: A tutorial overview of standards, trials, challenges, deployment, and practice // IEEE Journal on Selected Areas in Communications. 2017. V. 35. № 6. P. 1201–1221. DOI 10.1109/JSAC.2017.2692307.
2. Agiwal M., Roy A., Saxena N. Next Generation 5G Wireless Networks: A Comprehensive Survey // IEEE Communications Surveys & Tutorials. 2016. V. 18. № 3. P. 1617–1655. DOI 10.1109/COMST.2016.2532458.
3. Лернер И. М., Файзуллин Р. Р., Хайруллин А. Н., Шушпанов Д.В., Ильин В.И., Рябов И.В. Повышение удельной пропускной способности как фундаментальная проблема теории связи. Стратегия развития в постшенноновскую эпоху. Часть 1. Ретроспективный обзор методов приема и обработки сигналов в частотно-селективных каналах связи при скоростях передачи информации выше скорости Найквиста // Успехи современной радиоэлектроники. 2023. Т. 77. № 1. С. 37–50. DOI 10.18127/j20700784-202301-02.
4. Лернер И.М., Файзуллин Р.Р., Хайруллин А.Н., Шушпанов Д.В., Ильин В.И., Рябов И.В. Повышение удельной пропускной способности как фундаментальная проблема теории связи. Стратегия развития в постшенноновскую эпоху. Часть 2. Ретроспективный обзор методов приема и обработки сигналов в частотно-селективных каналах связи при наличии межсимвольных искажений // Успехи современной радиоэлектроники. 2023. T. 77. № 2. С. 16–33. DOI 10.18127/j20700784-202302-02.
5. Лернер И.М., Файзуллин Р.Р., Шушпанов Д.В., Ильин В.И., Рябов И.В., Хайруллин А.Н. Повышение удельной пропускной способности как фундаментальная проблема теории связи. Стратегия развития в постшенноновскую эпоху. Часть 3. Ретроспективный обзор методов оценки пропускной способности частотно-селективных каналов связи при наличии при наличии межсимвольных искажений и использовании ФМн-n и АФМн-N-сигнала // Успехи современной радиоэлектроники. 2023. T. 77. № 3. С. 24–33. DOI 10.18127/j20700784-202303-02.
6. Лернер И.М., Файзулин Р.Р. Рябов И.В. Оптимизированный алгоритм оценки пропускной способности каналов связи, функционирующих на базе теории разрешающего времени // Радиотехника. 2022. Т. 86. № 4. С. 91–109. DOI 10.18127/ j00338486-202204-13.
7. Lerner I.M., Khairullin A.M. Resolution time theory in the topic of broadband communications. Algorithm for data dependent jitter and capacity estimations with polynomial time execution // T-Comm. 2023. V. 17. № 5. P. 48–57. DOI 10.36724/2072-8735-2023-17-5-48-57.
8. Хайруллин А.Н., Лернер И.М., Аюпов Т.А. Алгоритм оценки пропускной способности на базе теории разрешающего времени с линейной вычислительной сложностью для частотно-селективных каналов связи и АИМ-n-сигналов // Радиотехника. 2024. Т. 88. № 1. С. 31−43. DOI 10.18127/j00338486-202401-04.
9. O-RAN Use Cases and Deployment Scenarios. [Электронный ресурс] – Режим доступа: https://mediastorage.o-ran.org/white-papers/O-RAN.WG1.Use-Cases-and-Deployment-Scenarios-White-Paper-2020-02.pdf, дата обращения 18.06.2024.
10. Singh S.K., Singh R., Kumbhani B. The Evolution of Radio Access Network Towards Open-RAN: Challenges and Opportunities // IEEE Wireless Communications and Networking Conference Workshops. 2020. P. 1–6. DOI 10.1109/WCNCW48565.2020.9124820.
11. Зайцев И.В., Молев А.А. Алгоритм генерации структуры самоорганизующейся системы радиосвязи на основе иерархии системы управления // Электромагнитные волны и электронные системы. 2021. Т. 26. № 6. С. 57−70. DOI 10.18127/j15604128-202106-06.
12. Львович Я.Е., Преображенский А.П., Преображенский Ю.П., Чопоров О.Н. Оптимизация характеристик распределенных телекоммуникационных систем // Электромагнитные волны и электронные системы. 2022. Т. 27. № 1. С. 39−46. DOI 10.18127/j15604128-202201-05.
13. Balasubramanian B., Daniels E.S., Hiltunen M., Jana R., Joshi K., Sivaraj R., Tran T.X., Wang C. RIC: A RAN Intelligent Controller Platform for AI-Enabled Cellular Networks // IEEE Internet Computing. 2021. V. 25. № 2. P. 7–17. DOI 10.1109/MIC.2021. 3062487.
14. Taleb T., Benzaïd Ch., Addad R.A., Samdanis K. AI/ML for beyond 5G systems: Concepts, technology enablers & solutions // Computer Networks. 2023. V. 237. P. 110044. DOI 10.1016/j.comnet.2023.110044.
15. Boukhedouma H., Meziane A., Hammoudi S., Benna A. On the challenges of mobility prediction in smart cities // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2020. V. 44. P. 17–24. DOI 10.5194/ISPRS-ARCHIVES-XLIV-4-W2-2020-17-2020.
16. Irio L., Ip A., Oliveira R., Luís M. An Adaptive Learning-Based Approach for Vehicle Mobility Prediction // IEEE Access. 2021. V. 9. P. 13671–13682. DOI 10.1109/ACCESS.2021.3052071.
17. Ip A., Irio L., Oliveira R. Vehicle Trajectory Prediction based on LSTM Recurrent Neural Networks // IEEE 93rd Vehicular Technology Conference. 2021. P. 1–5. DOI 10.1109/VTC2021-Spring51267.2021.9449038.
18. Solomon A., Livne A., Katz G., Shapira B., Rokach L. Analyzing movement predictability using human attributes and behavioral patterns // Computers, Environment and Urban Systems. 2021. V. 87. P. 101596. DOI 10.1016/J.COMPENVURBSYS.2021.101596.
19. Miao Q., Li M., Lin W., Wang Zh., Shao H., Xie Ju., Shu N., Qiao Yu. Human Mobility Prediction with Calibration for Noisy Trajectories // Electronics. 2022. V. 11. № 20. P. 3362. DOI 10.3390/electronics11203362.
20. Araújo F., Bastos L., Medeiros Ia., Rosso O.A., Aquino A.L.L., Rosário D., Cerqueira E. Characterization of human mobility based on Information Theory quantifiers // Physica A: Statistical Mechanics and its Applications. 2023. V. 609. P. 128344. DOI 10.1016/ j.physa.2022.128344.
21. Jeong J., Roeland D., Derehag J., Johansson А.A., Umaashankar V., Sun G., Eriksson G. Mobility Prediction for 5G Core Networks // IEEE Communications Standards Magazine. 2021. V. 5. № 1. P. 56–61. DOI 10.1109/MCOMSTD.001.2000046.
22. Mollel M.S., Abubakar A.I., Ozturk M., Kaijage S., Kisangiri M., Zoha A., Imran M.A., Abbasi Q.H. Intelligent handover decision scheme using double deep reinforcement learning // Physical Communication. 2020. V. 42. P. 101133. DOI 10.1016/J.PHYCOM. 2020.101133.
23. Liu Q., Chuai G., Wang J., Pan J. Proactive Mobility Management with Trajectory Prediction Based on Virtual Cells in Ultra-Dense Networks // IEEE Transactions on Vehicular Technology. 2020. V. 69. № 8. P. 8832–8842. DOI 10.1109/TVT.2020. 2995318.
24. Ashaev I.P., Safiullin I.A., Gaysin A.K., Nadeev A.F., Korobkov A.A. An Approach for Using a Tensor-Based Method for Mobility-User Pattern Determining // Inventions. 2024. V. 9. № 1. P. 1. DOI 10.3390/inventions9010001.
25. Коробков А.А., Сафиуллин И.А., Ашаев И.П., Гайсин А.К., Надеев А.Ф. Метод оценки порядка многомерной модели в задачах классификации пользователей по характеру мобильности в гетерогенных сетях беспроводного радиодоступа // Радиотехника. 2024. Т. 88. № 1. С. 44−58. DOI 10.18127/j00338486-202401-05.
26. Korobkov A.A., Diugurova M.K., Haueisen J., Haardt M. Robust Multi-Dimensional Model Order Estimation Using LineAr Regression of Global Eigenvalues (LaRGE) // IEEE Transactions on Signal Processing. 2022. V. 70. P. 5751–5764. DOI 10.1109/tsp. 2022.3222737.
27. Ester M., Kriegel H., Sander J., Xu X. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Knowledge Discovery and Data Mining // Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. 1996. P. 226–231.
28. Hata M. Empirical formula for propagation loss in land mobile radio services // IEEE Transactions on Vehicular Technology. 1980. V. 29. № 3. P. 317–325. DOI 10.1109/T-VT.1980.23859.
29. Okumura Y., Ohmori E., Kawano T., Fukuda K. Field Strength and its variability in VHF and UHF land mobile radio service // Review of the Electrical Communication Laboratory. 1968. V. 16. № 9–10. P. 825–873.
30. Fontan F.P., Espineira P.M. Modeling the Wireless Propagation Channel A Simulation Approach with MATLAB. John Wiley & Sons Ltd. 2008. 268 p.
31. 3GPP TS 36.133 LTE. Evolved Universal Terrestrial Radio Access (E-UTRA). Requirements for support of radio resource management. Release 15. [Электронный ресурс] – Режим доступа: https://iteh-standards.uc.r.appspot.com/catalog/stand­ards/etsi/919b696f-cd37-4b1a-8667-aaefdc51fd50/etsi-ts-136-133-v15-8-0-2019-10, дата обращения 18.06.2024.