Reducing Inter-cell Interference Using Machine Learning
(2021) EITM01 20211Department of Electrical and Information Technology
- Abstract
- One way of meeting the increasing demand for higher data rates is by building denser cellular networks in order to maximize the use of the frequency spectrum. The denser deployment leads to an increased probability of inter-cell interference, the phenomenon where the signal quality experienced by a user served by a cell is lowered because of the transmission from neighboring cells in the network. Coordinated multi-point techniques such as dynamic point blanking (DPB) can be used to dynamically mute resources in the network and increase the possible capacity in the system. The possible permutations of muting patterns are in this thesis found by using a search tree structure and the optimal pattern is found by evaluating each node in the... (More)
- One way of meeting the increasing demand for higher data rates is by building denser cellular networks in order to maximize the use of the frequency spectrum. The denser deployment leads to an increased probability of inter-cell interference, the phenomenon where the signal quality experienced by a user served by a cell is lowered because of the transmission from neighboring cells in the network. Coordinated multi-point techniques such as dynamic point blanking (DPB) can be used to dynamically mute resources in the network and increase the possible capacity in the system. The possible permutations of muting patterns are in this thesis found by using a search tree structure and the optimal pattern is found by evaluating each node in the tree.
In some scenarios it not necessary to evaluate all nodes in order to find a muting pattern that results in satisfying performance, making it possible to save computational power. In this thesis the three machine learning models, logistic regression, support vector machine and naive Bayes, have been used to binary classify the search width needed in order to decrease the mean interference experienced by users below a certain threshold. The data needed to train the models was generated in an Ericsson simulator, where features were extracted from the output logs.
Results show that the support vector machine is the most successful of the three and it was able to predict the search width in 87 % of the samples. The conclusion is that machine learning techniques can be used to predict the optimal search depth in a given scenario, but more research has to be done in order to quantify the computational gain in reducing the number of evaluated muting patterns. (Less) - Popular Abstract (Swedish)
- I det här arbetet har det undersökts hur maskininlärningstekniker kan användas för att optimera tekniker som används för att minska inter-cell interferens. Inter-cell interferens är ett fenomen som uppstår i de mobila nätverken eftersom basstationerna är uppdelade i olika celler där alla celler använder samma resurser när de sänder data till mobilanvändarna. Det kan då uppstå störningar hos mobilanvändarna på grund av att de plockar upp signaler från närliggande celler som var menade att plockas upp av en annan användare.
Det finns ett flertal tekniker för att minska mängden inter-cell interferens i de mobila nätverken. Tekniken som används i den här studien kallas "Dynamic point blanking" och innebär att man helt enkelt slutar använda... (More) - I det här arbetet har det undersökts hur maskininlärningstekniker kan användas för att optimera tekniker som används för att minska inter-cell interferens. Inter-cell interferens är ett fenomen som uppstår i de mobila nätverken eftersom basstationerna är uppdelade i olika celler där alla celler använder samma resurser när de sänder data till mobilanvändarna. Det kan då uppstå störningar hos mobilanvändarna på grund av att de plockar upp signaler från närliggande celler som var menade att plockas upp av en annan användare.
Det finns ett flertal tekniker för att minska mängden inter-cell interferens i de mobila nätverken. Tekniken som används i den här studien kallas "Dynamic point blanking" och innebär att man helt enkelt slutar använda vissa resurser som anses bidra till mycket interferens. Utmaningen i den här lösningen är att veta vilka som är de resurser som är är mest optimala att inte använda vid en viss tidpunkt och ett sätt att hantera detta är att utvärdera flera olika kombinationer av hur resurserna används.
Det är kostsamt att utvärdera dessa kombinationer och det är därför av intresse att minska hur många alternativ som ska utvärderas vid scenarion då vinsten av att utvärdera alla kombinationer inte är särskilt stor. I denna studie utforskades hur maskininlärning kan användas för att identifiera vid vilka tillfällen då det är värt att utvärdera färre eller flera kombinationer.
Maskininlärningsmodeller lär sig hitta mönster utifrån data. Datan är strukturerad på ett sådant sätt så att varje datapunkt innehåller ett antal parametrar som är kopplade till ett rätt svar. Genom att gå igenom en stor mängd data så kan maskinen hitta ett mönster och på så sätt förutse hur många kombinationer som är värda att utvärdera vid en viss tidpunkt.
I det här fallet så genererades datan i ett simuleringsprogram och i simuleringarna användes ett mobilt nätverk uppbyggt av tre celler. Maskinen fick basera sina gissningar på antalet användare som befinner sig i nätverket, hur mycket resurser som används i de tre cellerna och vinkeln på antennerna i cellerna. Det slutgiltiga resultatet blev att maskinen kunde gissa rätt i cirka 87 % av fallen och kan således användas för att effektivisera de mobila nätverken. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9066132
- author
- Frisk, Albin LU
- supervisor
-
- Ove Edfors LU
- organization
- course
- EITM01 20211
- year
- 2021
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- ICI, DPB, LTE, Machine learning
- report number
- LU/LTH-EIT 2021-847
- language
- English
- id
- 9066132
- date added to LUP
- 2021-10-13 12:34:36
- date last changed
- 2021-10-13 12:34:36
@misc{9066132,
abstract = {{One way of meeting the increasing demand for higher data rates is by building denser cellular networks in order to maximize the use of the frequency spectrum. The denser deployment leads to an increased probability of inter-cell interference, the phenomenon where the signal quality experienced by a user served by a cell is lowered because of the transmission from neighboring cells in the network. Coordinated multi-point techniques such as dynamic point blanking (DPB) can be used to dynamically mute resources in the network and increase the possible capacity in the system. The possible permutations of muting patterns are in this thesis found by using a search tree structure and the optimal pattern is found by evaluating each node in the tree.
In some scenarios it not necessary to evaluate all nodes in order to find a muting pattern that results in satisfying performance, making it possible to save computational power. In this thesis the three machine learning models, logistic regression, support vector machine and naive Bayes, have been used to binary classify the search width needed in order to decrease the mean interference experienced by users below a certain threshold. The data needed to train the models was generated in an Ericsson simulator, where features were extracted from the output logs.
Results show that the support vector machine is the most successful of the three and it was able to predict the search width in 87 % of the samples. The conclusion is that machine learning techniques can be used to predict the optimal search depth in a given scenario, but more research has to be done in order to quantify the computational gain in reducing the number of evaluated muting patterns.}},
author = {{Frisk, Albin}},
language = {{eng}},
note = {{Student Paper}},
title = {{Reducing Inter-cell Interference Using Machine Learning}},
year = {{2021}},
}