2026-04-13T06:53:42Zhttps://recercat.cat/oai/requestoai:recercat.cat:2117/3571352025-07-23T04:43:22Zcom_2072_1033col_2072_452951
urn:hdl:2117/357135
Measurements campaign to generate datasets to train algorithms and AI/ML models for 5G mobile communication systems
Flores Espinosa, Núria
Àrees temàtiques de la UPC::Informàtica::Intel·ligència artificial::Aprenentatge automàtic
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació::Telemàtica i xarxes d'ordinadors
Wireless communication systems
Algorithms
Machine learning
Mobile network
Wireless network
MNT
Dataset
LTE
5G
Red móvil
Red inalámbrica
MNT
Conjuntos de datos
LTE
5G
Comunicació sense fil, Sistemes de
Algorismes
Aprenentatge automàtic
As the traffic demand in Mobile Communication Systems is constantly increasing, the new 5G NR standards need to adapt its Self-Organizing Network functions. In order to cope with its complexity, Artificial Intelligence (AI) and Machine Learning (ML) based techniques are being used. These techniques need appropriate datasets based on real-life data to be trained and evaluated because wireless networks are hard to simulate through mathematical models. This project aims to provide datasets useful for the testing of AI and ML algorithms based on data from the Campus Nord mobile network. Moreover, the second purpose of the project is to determine whether connectivity sharing techniques could be beneficial in order to improve the network performance for all its users. All the data has been gathered during several measurement campaigns using a terminal with an Android operating system. Two Mobile Network Tools have been used: Qualipoc Android, for the data measurement, and Romes Replay for the later visualization and exportation of the parameters needed. Finally, all the data processing, plotting and tabulation have been done using Matlab. By the end of the project, two datasets, one for the LTE and another for 5G NR have been created. These datasets along with several coverage and base station identifying maps provide the necessary information to characterize the mobile network in Campus Nord. In addition, it has been determined that connectivity sharing techniques are viable. It has been proved that the sharing user does not lose service quality and the service received by the second user is only limited by the capabilities of the connection with the first one.
Debido a que la demanda en los Sistemas de Comunicaciones Móbiles está en constante crecimiento, los nuevos estándares de 5G necesitan adaptar sus funciones de auto-organización de la red. Con el fin de ocuparse de su complejidad, son necesarias técnicas basadas en Inteligencia Artificial (AI) y Machine lerning (ML). Estas técnicas, necesitan conjuntos de datos apropiados basados en datos reales para ser entrenadas y evaluadas, ya que las redes móviles son difíciles de simular mediante modelos matemáticos. Este proyecto está orientado a proporcionar conjuntos de medidas útiles para el testeo de algoritmos de AI y ML basados en datos extraídos de la red móvil del Campus Nord. Además, el segundo propósito del proyecto es determinar si las técnicas de conexión compartida podrían ser beneficioises para mejorar las prestaciones de la red para todos sus usuarios. Todos los datos han sido obtenidos durante varias campañas de medidas utilizando un terminal con sistema operativo Android. Dos herramientas de red móvil (Mobile Network Tools, MNT) han sido utilizadas: Qualipoc Android, para las medidas de datos, y Romes Replay, para la posterior visualización y exportación de los parámetros necesarios. Finalmente, todo el procesamiento de datos, graficación y tabulación han sido hechos mediante Matlab. Al final del proyecto, dos conjuntos de medidas, uno para LTE y el otro para 5G han sido creados. Estos conjuntos de medidas, junto con varios mapas de cobertura y de identificación de estaciones base, proporcionan la información necesaria para caracterizar la red móvil en el Campus Nord. Adicionalmente, ha sido determinado que las técnicas de conexión compartida son viables. Ha sido demostrado que el usuario que comparte conexión no pierde calidad de servicio y que el servicio recibido por el segundo usuario está únicamente limitado por las capacidades de la conexión con el primero.
Degut a que la demanda en els Sistemes de Comunicacions Mòbils està en constant creixement, els nous estàndards de 5G necessiten adaptar les seves funcions d'auto-organització de la xarxa. Per tal d'ocupar-se de la seva compexitat, són necessàries tècniques basades en Intel·ligència Artificial (AI) i Machine Lerning (ML). Aquestes tècniques, necessiten conjunts de dades apropiats basats en dades reals per tal de ser entrenades i avaluades, ja que les xarxes mòbils són difícils de simular mitjançant models matemàtics. Aquest projecte està orientat a proporcionar conjunts de mesures útils pel testeig d'algoritmes d'AI i ML basats en dades extretes de la xarxa mòbil del Campus Nord. A més, el segon propòsit del projecte és determinar si les tècniques de connexió compartida podrien ser beneficioses per tal de millorar les prestacions de la xarxa per a tots els seus usuaris. Totes les dades han estat obtingudes durant diverses campanyes de mesures utilitzant un terminal amb sistema operatiu Android. Dues eines de xarxa mòbil (Mobile Network Tools, MNT) han estat emprades: Qualipoc Android, per les mesures de dades, i Romes Replay, per la posterior visualització i exportació dels paràmetres necessaris. Finalment, tot el processament de dades, graficació i tabulació han estat fets mitjançant Matlab. Al final del projecte, dos conjunts de mesures, un per LTE i l'altre per 5G han estat creats. Aquests conjunts de mesures, juntament amb diversos mapes de cobertura i d'identificació d'estacions base, proporcionen la informació necessària per caracteritzar la xarxa mòbil al Campus Nord. Addicionalment, ha estat determinat que les tècniques de connexió compartida són viables. Ha estat demostrat que l'usuari que comparteix connexió no perd qualitat de servei i que el servei rebut pel segon usuari està únicament limitat per les capacitats de la connexió amb el primer.
2021-07-09
Bachelor thesis
S'autoritza la difusió de l'obra mitjançant la llicència Creative Commons o similar 'Reconeixement-NoComercial- SenseObraDerivada'
Open Access
Universitat Politècnica de Catalunya