impro's Software Defined World

improf.egloos.com

포토로그



TensorFlow-Tutorials

https://github.com/golbin/TensorFlow-Tutorials

REMIX

https://github.com/ethereum/remix
https://github.com/ethereum/remix-ide
https://github.com/ethereum/browser-solidity

ZTE 5G & AI

http://res.www.zte.com.cn/mediares/zte/Global/Solutions/AI_Enables_Network_IntelligenceZTE_AI_WhitepaperEN.pdf?la=en

DQN (Deep Q-Network)

https://towardsdatascience.com/welcome-to-deep-reinforcement-learning-part-1-dqn-c3cab4d41b6b

2) Performance characterization.

2) Performance characterization. 

 The assessment of a cell’s performance involves multiple measurements and Key
Performance Indicators (KPIs) that can be organized under different categories depending on the specific performance criterion. 

 Typically, it can be distinguished among accessibility KPIs (e.g., success rate in the set-up of new calls), retainability (i.e., how often an end-user abnormally loses a call or a session), mobility (e.g., number of handovers to different target cells, handover types or handover causes), QoS related KPIs and associated measurements (e.g., cell bit rate, throughput per user, latency and packet loss rate), resource utilization related measurements (e.g., transmit power per carrier, percentage of time that all the resource blocks devoted to traffic have been used), and RF measurements (e.g., distributions of the Channel Quality Indicators (CQIs), of the received power levels, etc.).

 Traditionally, measurements such as accessibility rate or dropping rate are aggregated on a cell basis and averaged along relatively long-term periods (e.g. days or weeks). These averaged values are used to trigger various optimization
processes. Instead, the AI-based approach presented in this paper intends to attain much deeper exploitation of these KPIs and extract additional knowledge based on the time and spatial domain analysis of the above mentioned indicators. Some possibilities are listed in the following: 


• Learning the time domain pattern of a performance indicator:
This characterizes the time evolution of a given performance indicator, with the objective of identifying existing hidden patterns that would remain undetected if only aggregated measurements along several days/weeks were considered. 

For example, it can be automatically detected if the dropping rate in a cell exceeds certain thresholds during some specific hours, and if this situation exhibits some regularity, meaning that actions should be triggered to optimize the performance for those specific hours. Clustering tools listed in Table III like partitioning, hierarchical methods or SOM are candidates to extract this knowledge. 

• Prediction of a performance indicator: This involves the definition of a prediction model to anticipate future values of a performance indicator at different time scales. Prediction should be based on past observations of the indicator, but it can also consider past observations of other related indicators as additional features. For example, the prediction model of the throughput per user can take as inputs the observations of the signal to noise and interference conditions seen by the users and
the resource usage. Prediction models of Table II can be used to extract this knowledge.

• Learning space-domain black-spots: The characterization of the performance indicators in the spatial dimension allows the identification of specific areas where the desired performance limits are not met, such as black-spots where there is a high
concentration of dropped calls, reduced throughput levels or low signal strength. Candidate tools include the geo-spatial clustering tools of Table III. 


2) 성능 특성.

 셀 성능 평가에는 여러 측정 및 키가 포함됩니다.
특정 성과 기준에 따라 여러 범주로 구성 할 수있는 성과 지표 (KPI)입니다.

 일반적으로 액세스 가능성 KPI (예 : 새 통화 설정의 성공률), 보유 가능성 (즉, 최종 사용자가 통화 또는 세션을 비정상적으로 잃는 빈도), 이동성 (예 : 핸드 오버 수 핸드 오버 유형 또는 핸드 오버 원인), QoS 관련 KPI 및 관련 측정 (예 : 셀 비트 전송률, 사용자 당 처리량, 대기 시간 및 패킷 손실률), 자원 활용 관련 측정 (예 : 반송파 당 전송 전력, (예를 들어, 채널 품질 지시자 (CQI)의 분포, 수신 된 전력 레벨의 분포 등)에 대한 정보를 포함 할 수있다.

 전통적으로, 접근성 비율 또는 낙하 율과 같은 측정은 셀 단위로 집계되고 비교적 장기간 (예 : 일 또는 주)에 따라 평균화됩니다. 이 평균값은 다양한 최적화를 트리거하는 데 사용됩니다.
프로세스. 대신 본 백서에 제시된 AI 기반 접근 방식은 이러한 KPI에 대한보다 심층적 인 착취를 달성하고 위에서 언급 한 지표의 시간 및 공간 영역 분석을 기반으로 추가 지식을 추출하려고합니다. 몇 가지 가능성은 다음과 같습니다.

• 성과 지표의 시간 영역 패턴 학습 :
이것은 몇 일 / 주에 걸친 집계 된 측정 만이 고려된다면 탐지되지 않은 채 남아있는 숨겨진 패턴을 식별하는 목적으로 주어진 성능 지표의 시간 변화를 특징으로합니다.

예를 들어 셀의 삭제 속도가 특정 시간 동안 특정 임계 값을 초과하는지, 그리고 이러한 상황이 일정한 규칙을 나타내면 자동으로 감지 될 수 있습니다. 즉, 특정 시간 동안 성능을 최적화하기위한 조치가 트리거되어야합니다. 표 3에 나열된 클러스터링 도구 (예 : 분할, 계층 적 방법 또는 SOM)는 이러한 지식을 추출 할 수있는 후보입니다.

• 성과 지표 예측 : 이것은 다양한 시간 척도에서 성과 지표의 미래 가치를 예측하기위한 예측 모델의 정의와 관련됩니다. 예측은 지표의 과거 관측을 기반으로해야하지만, 다른 관련 지표의 과거 관측을 추가 기능으로 고려할 수도 있습니다. 예를 들어, 사용자 당 처리량의 예측 모델은 사용자가 보는 잡음 및 간섭 조건에 대한 신호의 관측치를 입력으로 취할 수 있으며,
리소스 사용량. 이 지식을 추출하기 위해 표 2의 예측 모델을 사용할 수 있습니다.

• 공간 영역 검정색 점 학습 : 공간 차원에서 성능 지표를 특성화하면 원하는 성능 제한이 충족되지 않는 특정 영역 (예 : 높은 곳이있는 검은 점)을 식별 할 수 있습니다.
드롭 콜 집중, 처리량 수준 감소 또는 신호 강도 저하. 후보 도구에는 표 III의 지리 공간 클러스터링 도구가 포함됩니다.

1 2 3 4 5 6 7 8 9 10 다음