Predictive Quality of Service for Reliable Wireless Networks

QC 20260415

Abstract

Under de senaste åren har den teknologiska utvecklingen lett till ett ökat antal säkerhetskritiska tjänster och applikationer som kräver kommunikationstjänster av hög pålitlighet. För att möta prestandakrav erbjuder mobilnätsoperatörer serviceavtal (SLA) som specificerar garanterade nivåer för kommunikationskvalitet (QoS). Att upprätthålla hög QoS är emellertid utmanande, speciellt i scenarier med stor variation och rörlighet, där förändrade förhållanden för täckning, interferens och nätverkslast kan skifta de underliggande statistiska egenskaperna för QoS. För att hantera problemen med varierande statistiska egenskaper har ML-baserad prediktiv QoS (pQoS) föreslagits för att hjälpa nätverkssystemet att proaktivt upptäcka och förebygga framtida försämringar av QoS.

Denna avhandling formulerar problem med datadriven pQoS för cellulära nätverk, med fokus på den trådlösa kanalen, datatakt och svarstid. Det huvudsakliga forskningsbidraget är en uppsättning prediktionsmetoder som hanterar både dynamiska miljöer och praktiska begränsningar vid driftsättning. En omfattande empirisk jämförelse av neuronnätsarkitekturer för kanalprediktion ger vägledning för att välja lämpliga modeller i mobila trådlösa miljöer. För att minska effekterna av konceptförskjutning i pQoS-modeller introducerar avhandlingen ett distribuerat ramverk för gemensam klustring och prediktion, där nätverksceller grupperas och klusterspecifika prediktorer tränas samtidigt som antalet modeller hålls lågt. För prediktion på användarsidan i scenarier med hög rörlighet föreslår avhandlingen geografisk klustring kombinerad med federerad inlärning, vilket möjliggör lokal anpassning samtidigt som integritets- och kommunikationsbegränsningar beaktas. Dessa prediktionsramverk utvecklas med iterativa approximativa lösare och inkluderar konvergensgarantier för att förbättra noggrannheten för pQoS-modellerna. Den första algoritmen utvärderas med hjälp av ett simuleringsverktyg för en digital nätverkstvilling (NDT) som presenteras i avhandlingen. Avhandlingen presenterar också ett NDT-ramverk som predikterar den möjliga datatakten för användare i nätverket utifrån det aktuella nätverkstillståndet.

Sammantaget visar resultaten att en kombination av klustring, distribuerad inlärning och realistisk systemmodellering avsevärt kan förbättra robustheten i pQoS-modeller under krävande omständigheter. Forskningsbidraget i avhandlingen tillhandahåller metoder som kan stödja tillförlitlig kommunikation i framtida trådlösa nätverk. Framtida forskning bör utveckla en teoretisk grund för att integrera sannolikhetsmedvetenhet och SLA-nivåer i prediktionsmodeller. På så sätt kan forskningen skapa pQoS-ramverk som optimerar prediktionsnoggrannhet, riskhantering för kritiska tjänster och anpassningsförmåga i icke-stationära trådlösa miljöer.

Link to DiVA