Исследование методов классификации характера мобильности пользователей в сетях O-RAN

А.А. Коробков; А.К. Гайсин; А.Ф. Надеев; И.А. Сафиуллин; И.П. Ашаев

doi:10.18127/j5604128-202505-04

Исследование методов классификации характера мобильности пользователей в сетях O-RAN

А.А. Коробков¹, А.К. Гайсин², А.Ф. Надеев³, И.А. Сафиуллин⁴, И.П. Ашаев⁵

научная статья УДК 621.396.49, 512.64 Страницы: 40-60 doi.org/10.18127/j5604128-202505-04

^1,2,3,4,5 Казанский национальный исследовательский технический университет им. А.Н. Туполева – КАИ (г. Казань, Россия)

Ключевые слова: Характер мобильности пользователей наивный классификатор Байеса полный классификатор Байеса

Аннотация

Постановка проблемы. Перспективным направлением развития сетей беспроводного доступа является реализация принципов концепции O-RAN (Open Radio Access Network), расширяющих возможности по разработке и внедрению новых методов повышения эффективности работы таких сетей. Одной из актуальных задач считается повышение эффективности процедур управления мобильностью.

Цель. Исследовать методы классификации пользователей в соответствии с их характером мобильности на основе анализа изменения отношения сигнал/шум+интерференция и принимаемой мощности в гетерогенных сетях O-RAN.

Результаты. Разработаны наивный и полный классификаторы Байеса для классификации пользователей, движущихся с разными скоростями и траекториями. Определено минимальное количество признаков или отсчётов для надёжной классификации характера мобильности. Смоделированы два сценария движения пользователей с разными скоростями и траекториями. Приведены оценки качества классификации при использовании таких параметров, как мощность принимаемого сигнала и отношение сигнал/шум+интерференция. Показано, что наилучшее качество работы классификаторов достигается при использовании параметра мощности принимаемого сигнала от базовой станции по сравнению со случаем использования такого параметра, как отношение сигнал/шум+интерференция.

Практическая значимость. Для повышения эффективности хэндовера необходимо предсказывать пространственное положение абонентов. Информацию о характере мобильности предлагается получать по результатам анализа изменения стандартных параметров, передаваемых оборудованием в открытых сетях радиодоступа, таких как мощность принимаемого сигнала и отношение сигнал/шум+интерференция на стороне мобильного пользователя относительно базовых станций сети.

Поступила: 24.06.2025
Одобрена: 07.07.2025
Принята: 26.07.2025

Для цитирования

Коробков А.А., Гайсин А.К., Надеев А.Ф., Сафиуллин И.А., Ашаев И.П. Исследование методов классификации характера мобильности пользователей в сетях O-RAN // Электромагнитные волны и электронные системы. 2025. Т. 30. № 5. С. 40−60. DOI: https://doi.org/10.18127/j15604128-202505-04

Список источников

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.
Гайсин А.К., Коробков А.А., Сафиуллин И.А., Ашаев И.П., Надеев А.Ф. Исследование зависимости параметров многомерной модели от характера мобильности в сетях O-RAN в задаче классификации групп пользователей // Электромагнитные волны и электронные системы. 2024. Т. 29. № 4. С. 6−22. DOI 10.18127/j15604128-202404-02.
Спирина Е.А., Козлов С.В., Бухарина А.А. Разработка модели трафика в гетерогенных сетях связи на основе экспериментальных данных // Радиотехника. 2024. Т. 88. № 1. С. 92−110. DOI 10.18127/j00338486-202401-09.
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.
3GPP TS 32.500 V17.0.0 (2022-04). 3rd Generation Partnership Project; Technical Specification Group Services and System Aspects; Telecommunication Management; Self-Organizing Networks (SON); Concepts and requirements (Release 17). [Электронный ресурс] – Режим доступа: https://www.3gpp.org/ftp/Specs/archive/32_series/32.500/32500-h00.zip, дата обращения 03.06.2025.
3GPP TS 23.501 V17.11.0 (2023-12). 3rd Generation Partnership Project; Technical Specification Group Services and System Aspects; System architecture for the 5G System (5GS); Stage 2 (Release 17). [Электронный ресурс] – Режим доступа: https://www.3gpp.org/ftp/Specs/archive/23_series/23.501/23501-hb0.zip, дата обращения 03.06.2025.
O-RAN ALLIANCE. O-RAN.WG1.O-RAN-Architecture-Description. Version 07.00. [Электронный ресурс] – Режим доступа: https://www.o-ran.org/specifications, дата обращения 03.06.2025.
Orhan O., Swamy V.N., Tetzlaff T., Nassar M., Nikopour H., Talwar S. Connection Management xAPP for O-RAN RIC: A Graph Neural Network and Reinforcement Learning Approach. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/2110.07525, дата обращения 03.06.2025.
Zhang Y., Lee H., Kim J. et al. RAN Intelligent Controller (RIC): From open-source implementation to real-world validation // ICT Express. 2024. V. 10. № 3. P. 680–691. DOI 10.1016/j.icte.2024.02.001.
Koufos K., EI Haloui K., Dianati M., Higgins M., Elmirghani Ja., Imran M.A., Tafazolli R. Trends in Intelligent Communication Systems: Review of Standards, Major Research Projects, and Identification of Research Gaps // Journal of Sensor and Actuator Networks. 2021. V. 10. №. 4. P. 60. DOI 10.3390/jsan10040060.
Prananto B.H., Iskandar, Kurniawan A. A New Method to Improve Frequent-Handover Problem in High-Mobility Communications Using RIC and Machine Learning // IEEE Access. 2023. V. 11. P. 72281–72294. DOI 10.1109/access.2023.3294990.
Dzaferagic M., Missi Xavier B., Collins D., D'Onofrio V., Martinello M., Ruffini M. ML-Based Handover Prediction Over a Real
O-RAN Deployment Using RAN Intelligent Controller // IEEE Transactions on Network and Service Management. 2025. V. 22. № 1. P. 635–647. DOI 10.1109/TNSM.2024.3468910.
Meer I.A., Hörmann B., Ozger M., Geyer F., Viseras A., Schupke D., Cavdar C. Explainable AI for UAV Mobility Management: A Deep Q-Network Approach for Handover Minimization. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/2504. 18371, дата обращения 03.06.2025.
3GPP TS 36.214 V15.2.0 (2018-06). 3rd Generation Partnership Project; Technical Specification Group Radio Access Network; Evolved Universal Terrestrial Radio Access (E-UTRA); Physical layer; Measurements (Release 15). [Электронный ресурс] – Режим доступа: https://www.3gpp.org/ftp//Specs/archive/36_series/36.214/36214-f20.zip, дата обращения 03.06.2025.
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.
Christopher M.B. Pattern Recognition and Machine Learning. New York: Springer. 2006. 778 p.
3GPP TS 36.133 V15.13.0 (2021-03). 3rd Generation Partnership Project; Technical Specification Group Radio Access Network; Evolved Universal Terrestrial Radio Access (E-UTRA); Requirements for support of radio resource management (Release 15). [Электронный ресурс] – Режим доступа: https://www.3gpp.org/ftp/Specs/archive/36_series/36.133/36133-fd0.zip, дата обращения 03.06.2025.

[1] 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.

[2] Гайсин А.К., Коробков А.А., Сафиуллин И.А., Ашаев И.П., Надеев А.Ф. Исследование зависимости параметров многомерной модели от характера мобильности в сетях O-RAN в задаче классификации групп пользователей // Электромагнитные волны и электронные системы. 2024. Т. 29. № 4. С. 6−22. DOI 10.18127/j15604128-202404-02.

[3] Спирина Е.А., Козлов С.В., Бухарина А.А. Разработка модели трафика в гетерогенных сетях связи на основе экспериментальных данных // Радиотехника. 2024. Т. 88. № 1. С. 92−110. DOI 10.18127/j00338486-202401-09.

[4] 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.

[5] 3GPP TS 32.500 V17.0.0 (2022-04). 3rd Generation Partnership Project; Technical Specification Group Services and System Aspects; Telecommunication Management; Self-Organizing Networks (SON); Concepts and requirements (Release 17). [Электронный ресурс] – Режим доступа: https://www.3gpp.org/ftp/Specs/archive/32_series/32.500/32500-h00.zip, дата обращения 03.06.2025.

[6] 3GPP TS 23.501 V17.11.0 (2023-12). 3rd Generation Partnership Project; Technical Specification Group Services and System Aspects; System architecture for the 5G System (5GS); Stage 2 (Release 17). [Электронный ресурс] – Режим доступа: https://www.3gpp.org/ftp/Specs/archive/23_series/23.501/23501-hb0.zip, дата обращения 03.06.2025.

[7] O-RAN ALLIANCE. O-RAN.WG1.O-RAN-Architecture-Description. Version 07.00. [Электронный ресурс] – Режим доступа: https://www.o-ran.org/specifications, дата обращения 03.06.2025.

[8] Orhan O., Swamy V.N., Tetzlaff T., Nassar M., Nikopour H., Talwar S. Connection Management xAPP for O-RAN RIC: A Graph Neural Network and Reinforcement Learning Approach. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/2110.07525, дата обращения 03.06.2025.

[9] Zhang Y., Lee H., Kim J. et al. RAN Intelligent Controller (RIC): From open-source implementation to real-world validation // ICT Express. 2024. V. 10. № 3. P. 680–691. DOI 10.1016/j.icte.2024.02.001.

[10] Koufos K., EI Haloui K., Dianati M., Higgins M., Elmirghani Ja., Imran M.A., Tafazolli R. Trends in Intelligent Communication Systems: Review of Standards, Major Research Projects, and Identification of Research Gaps // Journal of Sensor and Actuator Networks. 2021. V. 10. №. 4. P. 60. DOI 10.3390/jsan10040060.

[11] Prananto B.H., Iskandar, Kurniawan A. A New Method to Improve Frequent-Handover Problem in High-Mobility Communications Using RIC and Machine Learning // IEEE Access. 2023. V. 11. P. 72281–72294. DOI 10.1109/access.2023.3294990.

[12] Dzaferagic M., Missi Xavier B., Collins D., D'Onofrio V., Martinello M., Ruffini M. ML-Based Handover Prediction Over a Real
O-RAN Deployment Using RAN Intelligent Controller // IEEE Transactions on Network and Service Management. 2025. V. 22. № 1. P. 635–647. DOI 10.1109/TNSM.2024.3468910.

[13] Meer I.A., Hörmann B., Ozger M., Geyer F., Viseras A., Schupke D., Cavdar C. Explainable AI for UAV Mobility Management: A Deep Q-Network Approach for Handover Minimization. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/2504. 18371, дата обращения 03.06.2025.

[14] 3GPP TS 36.214 V15.2.0 (2018-06). 3rd Generation Partnership Project; Technical Specification Group Radio Access Network; Evolved Universal Terrestrial Radio Access (E-UTRA); Physical layer; Measurements (Release 15). [Электронный ресурс] – Режим доступа: https://www.3gpp.org/ftp//Specs/archive/36_series/36.214/36214-f20.zip, дата обращения 03.06.2025.

[15] 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.

[16] Christopher M.B. Pattern Recognition and Machine Learning. New York: Springer. 2006. 778 p.

[17] 3GPP TS 36.133 V15.13.0 (2021-03). 3rd Generation Partnership Project; Technical Specification Group Radio Access Network; Evolved Universal Terrestrial Radio Access (E-UTRA); Requirements for support of radio resource management (Release 15). [Электронный ресурс] – Режим доступа: https://www.3gpp.org/ftp/Specs/archive/36_series/36.133/36133-fd0.zip, дата обращения 03.06.2025.

Аннотация

Для цитирования

Похожие статьи