Practical Machine Learning for Predictions in Mobile Networks
Tid: To 2025-08-21 kl 14.00
Plats: Kollegiesalen, Brinellvägen 8, Stockholm
Språk: Engelska
Ämnesområde: Datalogi
Respondent: Akhila Rao , Programvaruteknik och datorsystem, SCS
Opponent: Associate Professor Rafael Pasquini, Federal University of Uberlândia, Uberlândia, Brazil
Handledare: Professor Magnus Boman, Programvaruteknik och datorsystem, SCS; Professor Dejan Kostic, Programvaruteknik och datorsystem, SCS
QC 20250523
Abstract
Användningen av maskininlärning (ML) inom mobila telekomnätverk har ökat kraftigt för att tackla utmaningar som uppstått med nätverkens växande komplexitet och applikationskrav. Mer hjälp från modeller som kan ge prognoser över viktiga prestandavärden, som inte är direkt mätbara vid basstationen behövs dock för att anpassa nätverk och applikationsparametrar till kontinuerligt skiftande nätverkstillstånd.Den växande tillämpningen av ML-modeller för telekomnätverk för med sig praktiska utmaningar, så som brist på annoterad data för träning, varierande hårdvaruarkitekturer och ständigt förändrade nätverkstillstånd. Dessa hinder försvårar driftsättning av ML i verkliga system.I denna avhandling studerar vi ML-modeller för telekomnätverk samt flera praktiska utmaningar som uppstår under en modells livscykel. Först så presenterar vi vägledda ML-metoder som förutspår viktiga mätvärden inom 5G-nätverk. Dessa metoder tränas med data insamlad från 5G mmWave testbädds-nätverk.Vidare så utvecklar vi en ML-driven mobile edge-lösning som förbättrar videokvaliteten för videoströmningstjänster i nätverket. Vår lösning bygger på smart förhandsinladdning av videosegment, där ML används för att förutspå lämplig kvalitet på videosegmenten.
Vi studerar också hur ML-modeller påverkas när nätverk ändras till en så stor grad att ett domänskifte sker. Vi tittar speciellt på situationen som uppstår när nya typer av användarutrustnings ansluter sig till nätverk. Genom att tillämpa adaptiva strategier visar vi att ML-modeller kan anpassas utan användandet av annoterad data från den nya domänen.
Vi undersöker också hur icke-vägledda ML-modeller kan utnyttja stora mängder oannoterad data som annars inte används. Vi visar hur dessa modeller kan integreras med vägledda modeller för att förbättra prognosprestandan, speciellt när det råder brist på annoterad data.
Slutligen så introducerar vi ett ramverk, skriven i öppen källkod, för att generera stora, anpassningsbara datamängder för mobila telekomnätverk. Allt inräknat så bidrar denna avhandling med ML-lösningar för bättre användarupplevelser samt drift av moderna telekomnätverk.