Data-driven model for long-term forecasting of 5G throughput and delay per network slice with the context of cell configuration

• Autorzy: Dulas Dominik , Witulska Justyna , Wyłomańska Agnieszka , Walkowiak Krzysztof

Identyfikatory

DOI

10.15199/59.2024.4.93

Warianty tytułu

EN

Model oparty na danych do długoterminowego prognozowania przepustowości i opóźnień plastrów sieci 5G z kontekstem konfiguracji komórki

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (11-13.09.2024 ; Poznań, Polska)
• Języki publikacji: EN

Abstrakty

EN

The primary innovation and contribution of this study is the evaluation of a multidimensional VAR-MAX model, utilizing real traffic and environmental network data combined with cell configuration during the training phase, to accurately forecast telecommunication metrics, which are crucial in the dimensioning of 5G networks with network slicing. The results show that this technique is effective in predicting delay and throughput, which significantly influence the slice quality of service, over a longterm horizon of approximately 3 months.

PL

Podstawowym wkładem tej pracy jest ocena wielowymiarowego modelu VARMAX, wykorzystującego rzeczywiste dane o ruchu i środowisku sieci w połączeniu na etapie uczenia z danymi o konfiguracji komórek, w celu dokładnego prognozowania wskaźników telekomunikacyjnych, które są kluczowe przy wymiarowaniu sieci 5G z zastosowaniem plastrowania. Wyniki pokazują, że technika ta jest skuteczna w długoterminowym przewidywaniu opóźnień i przepustowości, które znacząco wpływają na jakość usługi w plastrze, w horyzoncie 3 miesięcy.

Słowa kluczowe

EN

capacity planning; forecasting; network slicing; quality of service

PL

jakość usług; planowanie wydajności; plastrowanie sieci; prognozowanie

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2024
• Tom: nr 4
• Strony: 419--424
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Dulas Dominik

• Nokia Solutions and Networks, Wrocław, Poland
• Wroclaw University of Science and Technology, Wrocław

autor

Witulska Justyna

• Nokia Solutions and Networks, Wrocław, Poland
• Wroclaw University of Science and Technology, Wrocław

autor

Wyłomańska Agnieszka

• Wroclaw University of Science and Technology, Wrocław

autor

Walkowiak Krzysztof

• Wroclaw University of Science and Technology, Wrocław

Bibliografia

• [1] M. U. Khan, A. García-Armada, J. J. Escudero- Garzás, Service-based network dimensioning for 5g networks assisted by real data, IEEE Access 8 (2020) 129193–129212.
• [2] M. Gutierrez, S. P. Puthenpurakel, S. Vasudevan, Network dimensioning: Next-gen ai-driven solutions - ericsson (Mar 2022). URL https://www.ericsson.com/en/blog/2022/3/next-gen-ai-driven-network-dimensioning-solution
• [3] W. Wu, C. Zhou, M. Li, H. Wu, H. Zhou, N. Zhang, X. S. Shen, W. Zhuang, Ai-native network slicing for 6g networks, IEEE Wireless Communications 29 (1) (2022) 96–103.
• [4] A. A. Barakabitze, A. Ahmad, R. Mijumbi, A. Hines, 5g network slicing using sdn and nfv: A survey of taxonomy, architectures and future challenges 167 (C) (2020).
• [5] M. Panek, I. Jabłoński, M. Woźniak, Modeling configuration-performance relation in a mobile network: a data-driven approach, IEEE International Symposium on Personal, Indoor and Mobile Radio Communications (2–5 September 2024, Valencia, Spain (Accepted)).
• [6] J. Huang, W. Guo, R. Wei, M. Yan, Y. Hu, T. Qin, Short-term power forecasting method for 5g photovoltaic base stations on non-sunny days based on sdn-integrated ingo-bp and rgan, IET Renewable Power Generation (2024).
• [7] Y. Neuman, Y. Cohen, B. Tamir, Short-term prediction through ordinal patterns, Royal Society Open Science 8 (1) (2021) 201011.
• [8] X. Shen, J. Gao, W. Wu, K. Lyu, M. Li, W. Zhuang, X. Li, J. Rao, Ai-assisted network-slicing based next-generation wireless networks, IEEE Open Journal of Vehicular Technology 1 (2020) 45–66.
• [9] M. Panek, A. Pomykała, I. Jabłoński, M. Woźniak, 5g/5g+ network management employing ai-based continuous deployment, Applied Soft Computing 134 (2023) 109984.
• [10] D. Dulas, J. Witulska, A. Wyłomańska, I. Jabłoński, K. Walkowiak, Data-driven model for sliced 5g network dimensioning and planning, featured with forecast and" what-if" analysis, IEEE Access 12 (2024) 50067 – 50082.
• [11] S. Roy, D. Applegate, Z. Ge, A. Mahimkar, S. Pathak, S. Puthenpura, Quantifying the service performance impact of self-organizing network actions, in: 2016 12th International Conference on Network and Service Management (CNSM), 2016, pp. 37–45.
• [12] P. J. Brockwell, Davis, Time series: theory and methods, Springer Series in Statistics, 1991.
• [13] H. Lütkepohl, New introduction to multiple time series analysis, Springer Science & Business Media, 2005.
• [14] Documentation statsmodels 0.15.0, https://www.statsmodels.org/dev/generated/statsmodels.tsa. statespace.varmax.VARMAX.html, [Accessed 22-05- 2024].
• [15] M. Chapman, A Meta-Analysis of Metrics for Change Point Detection Algorithms, Spring, 2017.