Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-5654
Main Title: Statistical learning, anomaly detection, and optimization in self-organizing networks
Translated Title: Statistisches Lernen, Anomalieerkennung und Optimierung in selbstorganisierenden Netzwerken
Author(s): Liao, Qi
Advisor(s): Stanczak, Slawomir
Referee(s): Stanczak, Slawomir
Wei, Yu
Kürner, Thomas
Giovanidis, Anastasios
Granting Institution: Technische Universität Berlin
Type: Doctoral Thesis
Language Code: en
Abstract: Self-organizing network, considered as a starting point toward self-aware cognitive network, is an automation technology designed for automated configuring, monitoring, troubleshooting and optimizing for the next generation mobile networks. Its main functionalities include: self-configuration, self-optimization and self-healing. With the emergence of new wireless devices and applications, the increasing demand for mixed types of services motivates extremely dense and heterogeneous deployments. As a result it is expected that a large amount of measurements and signaling overhead will be generated in future networks. Partial and inaccurate network knowledge, together with the increasing complexity of envisioned wireless networks, pose one of the biggest challenges for self-organizing network (SON) -- maintaining perfect global network information at the level of autonomous network elements is simply illusive in large-scale, highly dynamic wireless networks. Another big challenge is the network-wide optimization of interacting or conflicting SON functionalities, with the goal of improving the efficiency of total algorithmic machinery on the network level. This thesis studies SON in the context of erroneous and incomplete local information on network state, as well as possibly conflicting and abstractly defined objectives of different SON functions. We design novel mathematical models and statistical methods for enhancing network awareness at the locality of network elements through statistical learning, intelligent monitoring, and dynamic network feedback collection amidst network uncertainties. The extracted knowledge is used to optimize the network performance by adjusting to internal and exogenous network variations, critical network conditions, and different network anomalies. Context-aware frameworks are proposed for automatic configuration and tuning of network elements with minimal operator intervention to achieve timely detection of network abnormal states such as coverage holes, and to carry out a network-wide optimization of different SON functions. The results prove the benefits of the developed self-healing and self-optimization functions, including cell outage detection, network state classification and anomaly detection, random access channel optimization, mobility robustness optimization, mobility load balancing, interference reduction, and coverage and capacity optimization. We achieve timely detection and identification of network abnormal states based on the analysis of data extracted from the network. The anomaly detection algorithm automatically activates the corresponding self-healing and self-optimization algorithms for single or multiple SON use cases, which frees up operational resource and improves user-centric quality of service
In der nächsten Generation von Mobilfunknetzen werden selbstorganisierende Netzwerke zum Einsatz kommen, in denen die Netzwerkaufgaben: Konfiguration, Überwachung, Fehlerbehebung und Optimierung automatisiert durchgeführt werden. Mit den Eigenschaften zur Selbst-Konfiguration, Selbstoptimierung und Selbstheilung wird ein selbstorganisierendes Netzwerk auch als Vorstufe zu einem kognitiven Netzwerk betrachtet. Um die steigende Nachfrage nach mobilen Services zu erfüllen werden neue Netzinfrastrukturen ausgerollt, die zusammen mit bestehenden Netzwerken heterogene Strukturen bilden. Infolge von der Komplexität des Netzwerks werden große Mengen an zusätzlichen Protokoll-Overhead und Netzwerkkontrolldaten erhoben. Unvollständige sowie ungenaue Netzwerkkenntnisse sowie die zunehmende Komplexität stellen eine der größten Herausforderung eines selbstorganisierenden Netzwerks dar. Das Pflegen einer globalen Information über den Netzwerkzustand auf der Ebene der Netzwerkelemente ist illusorisch in großen, hochdynamischen Mobilfunknetzen. Eine weitere Herausforderung ist die netzwerkweite Optimierung der untereinander verflochtenen Eigenschaften eines selbstorganisierenden Netzwerks. Die vorliegende Arbeit untersucht ein selbstorganisierendes Netzwerk im Zusammenhang mit fehlerhafter und unvollständiger Informationen über den Netzwerkzustand sowie unter bestimmten Bedingungen widersprüchliche und abstrakt definierte Optimierungsziele. Wir entwickeln neuartige mathematische Modelle und statistische Methoden zur Verbesserung der Netzwerk-Bewusstsein bei der Netzelementen durch statistisches Lernen, intelligente Überwachung und dynamische Netzwerk-Feedback-Sammlung inmitten Netzwerk Unsicherheiten. Die extrahierte Wissen wird verwendet durch Einstellen der internen und exogene Netzwerk Variationen, kritische Netzwerkbedingungen und verschiedenen Netzanomalien, um die Netzwerkleistung zu optimieren. Ein Lösungsansatz wird zur Lösung der automatischen Konfiguration und Optimierung von Netzwerkeelementen mit minimalem Benutzereingriff vorgeschlagen, welches ebenfalls eine rechtzeitige Erkennung von abnormen Netzwerkzuständen beinhaltet. Die erzielten Ergebnisse belegen, dass die Netzwerkleistung profitiert von der neuen entwickelten Funktionalität der Selbstheilung und der Selbstoptimierung, einschließlich Zellausfall Erkennung, Netzwerkstatus Klassifizierung und Erkennung von Anomalien, Optimierung von Kanal mit wahlfreiem Zugriff, Mobilität Robustheit Optimierung, Mobilität Lastausgleich, Interferenzunterdrücken, und Abdeckung und Kapazitätsoptimierung. Wir erreichen rechtzeitige Erkennung und Identifizierung von Netzwerk anormale Zustände basierend auf der Analyse von Daten, die aus dem Netzwerk extrahiert werden. Die Anomalie-Detektionsalgorithmus aktiviert automatisch die entsprechenden Selbstheilung und Selbstoptimierungsalgorithmen für einzelne oder mehrere SON Szenarien, und dadurch die operativen Ressourcen entlastet und die benutzerorientierte Servicequalität verbessert.
URI: http://depositonce.tu-berlin.de/handle/11303/6073
http://dx.doi.org/10.14279/depositonce-5654
Exam Date: 21-Nov-2016
Issue Date: 2016
Date Available: 28-Dec-2016
DDC Class: DDC::000 Informatik, Informationswissenschaft, allgemeine Werke::000 Informatik, Wissen, Systeme::000 Informatik, Informationswissenschaft, allgemeine Werke
Subject(s): self organizing networks
machine learning
data analysis
optimization theory
selbstorganisierende Netzwerke
maschinelles Lernen
Datenanalyse
Optimierungstheorie
Usage rights: Terms of German Copyright Law
Appears in Collections:Technische Universität Berlin » Fakultäten & Zentralinstitute » Fakultät 4 Elektrotechnik und Informatik » Institut für Telekommunikationssysteme » Publications

Files in This Item:
File Description SizeFormat 
liao_qi.pdf3.49 MBAdobe PDFThumbnail
View/Open


Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.