Unsupervised Learning of Traffic Patterns in Self-Optimizing 4 Generation Mobile Networks

Reverb Networks has developed a system that enables Self Optimizing Networks (SON). The system aims to maximize network performance by changing the tilts of antennas to shift load between them. SON can significantly reduce the need for labor intensive manual network optimization. Changes are currently applied with the assumption that the same tilt value will be valid at all times of the day. This project investigates whether the existing solution can be modified, with little effort, to find appropriate times to apply different tilts, using Artificial Intelligence and Machine Learning techniques, to possibly achieve a more optimal outcome. The given solution groups (clusters) segments in time using unsupervised learning. In addition, nearby cells (a cell is an area that has one or more antennas serving it) are grouped (clustered) to form zones with similar time segments. These individual time segments are then optimized by separate instances of the existing solution. The learning algorithms are evaluated with a dataset that contains information from 195 cells, which has been collected from a live network over the course of one month. The results show that several time segments can be identified for most cells. In many cases, these time segments are different in length, start time, and end time. A prototype is presented, which shows that it is possible to integrate the suggested approach with the existing solution and that the necessary changes are not extensive. While it is not yet possible to show that the proposed solution surely leads to a more optimized network (this will require testing in a live network or extensive network simulation), the fact that multiple time segments could be identified for most cells is encouraging. And it does seem reasonable to expect that more frequent changes will provide gains in network performance. Oövervakad inlärning av trafikmönster i självoptimerande fjärde generationens mobila nätverk Sammanfattning Reverb Networks har utvecklat ett system som möjliggör självoptimerande nätverk (s.k. SON). Systemet syftar till att maximera nätverkets prestanda genom att ändra på antenners lutning. Närliggande antenner som lutas kan på så sätt avlasta varandra. SON kan till stor del minska behovet för kostsam manuell optimering av nätverket. Ändringar görs i nuläget med antagandet att de är giltiga för alla tidpunkter. Det här exjobbet undersöker om den existerande produkten kan modifieras, utan att det krävs alltför mycket arbete, till att hitta lämpliga tidpunkter då olika lutningsvärden bör appliceras, genom tillämpning av artificiell intelligens och maskininlärning. Lösningen som läggs fram grupperar (klustrar) segment i tid med hjälp av oövervakad inlärning. Närliggande celler (en cell är ett område som betjänas av en eller flera antenner) grupperas (klustras) också till zoner som har liknande tidssegment. Segmenten optimeras sedan var för sig av instanser, som är oberoende av varandra, av den existerande lösningen. Inlärningsalgoritmerna utvärderas med data som samlats ihop från ett riktigt nätverk. Datat innehåller information från 195 celler som samlats ihop under en månad. Resultatet visar att flera tidssegment kan identifieras för flertalet av cellerna i datat. I många av fallen är de funna segmenten olika när det gäller längd, starttid och sluttid. En prototyp presenteras, som visar möjligheten att integrera inlärningsalgoritmerna med den existerande produkten, och att de kan ske utan alltför stora ändringar. Fast det ännu inte är säkert att den föreslagna lösningen leder till ett mer optimalt nätverk (detta kommer att kräva testning i ett riktigt nätverk eller nätverkssimulering), så är det ett framsteg att det gick att hitta tidssegment för de flesta cellerna. Det verkar rimligt att vänta sig att mer frekventa uppdateringar kommer att leda till bättre prestanda.