Geri Dön

A federated learning approach for inter-cell handover optimisation in open 6G ran

Açık 6G radyo erişim ağında federasyon tabanlı öğrenme yaklaşımı ile hücre arası handover optimizasyonu

PDF İndir

  1. Tez No: 997115
  2. Yazar: BATUHAN AKDOĞAN
  3. Danışmanlar: PROF. DR. HAKAN ALİ ÇIRPAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

5G ve ötesi mobil ağlarda artan kullanıcı çeşitliliği, yoğun trafik koşulları ve hızlı değişen radyo ortamları nedeniyle hareketlilik yönetimi ve handover problemleri ortaya çıkmaktadır. Günümüzdeki hücresel ağlar, gelişmiş mobil geniş bant (enhanced mobile broadband, eMBB), ultra güvenilir düşük gecikmeli iletişim (ultra-reliable low latency communications, URLLC) ve yoğun makine tipi haberleşme (massive machine-type communications, mMTC) gibi birbirinden farklı ve çoğu zaman farklı servis gereksinimlerini aynı anda desteklemek zorunda olduğundan, radyo erişim ağlarında (radio access network, RAN) yük dengesi ve servis sürekliliği önemli bir operasyonel zorluk haline gelmiştir. Geleneksel handover mekanizmalarında, gerçek zamanlı sinyal ölçümleri ve sabit eşik değerlerine dayalı reaktif karar kuralları kullanılmaktadır. Bu mekanizmalarda referans sinyal alınan güç (reference signal received power, RSRP) ve referans sinyal alınan kalite (reference signal received quality, RSRQ) gibi ölçümler temel alınmaktadır. Bu yöntemler kararlı çalışsa da, hızlı değişen kullanıcı hareketliliği, trafik yoğunluğu ve girişim koşulları altında erken, geç veya gereksiz handover kararlarına yol açabilmektedir. Son yıllarda yapay zeka ve makine öğrenmesi tabanlı yaklaşımlar bu sorunlara çözüm bulmuş olsa da, mevcut çalışmaların büyük bölümü merkezi öğrenme yapıları üzerine kuruludur. Bu durum, yüksek geri taşıma yükü, ölçeklenebilirlik problemleri ve kullanıcı verilerinin gizliliği açısından önemli kısıtlar doğurmaktadır. Literatür araştırmalarında, handover optimizasyonu, açık radyo erişim ağı (open radio access network, O-RAN) tabanlı kontrol mekanizmaları ve federatif öğrenme (federated learning, FL) yaklaşımlarının çoğunlukla birbirinden bağımsız biçimde ele alındığı görülmektedir. Yapılan çalışmaların önemli bir bölümü, handover kararlarını sinyal seviyesi tahmini üzerinden veya trafik sınıflandırması üzerinden iyileştirmeye odaklandığı görülmektedir. Çalışmaların diğerlerinin ise O-RAN mimarisinin sunduğu gerçek zamanlı kontrol yeteneklerini sınırlı düzeyde kullandığı görülmektedir. Benzer şekilde, federatif öğrenmeye dayalı yöntemlerde gerçek RAN protokol yığınları, kontrol düzlemi etkileşimleri ve handover yürütme süreçlerinin ele alınmadığı görülmektedir. Bu nedenle, öğrenme destekli handover kararlarının standart uyumluluğu, protokol sürekliliği, kullanıcı deneyimi ve ağ kararlılığı üzerindeki etkilerini uçtan uca değerlendirebilen, deneysel çalışmalarla güçlendirilmiş bütünleşik bir sistem yaklaşımının literatürde eksik olduğu görülmektedir. Söz konusu problemleri çözmek amacıyla, O-RAN mimarisi içerisinde çalışan, hareketlilik farkındalığına sahip ve federatif öğrenme tabanlı bir handover optimizasyon sistemi önermekteyiz. Önerilen yaklaşımda, birden fazla gelecek nesil baz istasyonu (next generation node B, gNB) kendi yerel radyo, trafik ve hareketlilik verileri üzerinden modellerini eğitmektedir. Ayrıca ham veriler paylaşılmadan, yalnızca model güncellemeleri federatif olarak birleştirilmektedir. Böylece hem gizlilik korunmakta hem de dağıtık öğrenme yoluyla daha genellenebilir tahmin modelleri elde edilmektedir. Geliştirilen sistem, O-RAN neredeyse gerçek zamanlı radyo erişim ağı akıllı denetleyicisi (near-real-time RAN intelligent controller, near-RT RIC) üzerinde çalışan xApp'ler aracılığıyla, geleceğe yönelik yük ve bağlantı kalitesi tahminleri üretmekte ve bu tahminleri proaktif handover kararlarında kullanmaktadır. Çalışmanın temel amacı, bu yaklaşımın gerçekçi koşullar altında ne ölçüde etkili olduğunu göstermek için, açık kaynaklı RAN ve çekirdek ağ bileşenlerini içeren, uçtan uca ve standartlara uygun bir deneysel platform kurmak ve değerlendirmektir. Sistem mimarisi; kullanıcı ekipmanları (user equipment, UE), OpenAirInterface (OAI) tabanlı gNB'ler, Open5GS tabanlı 5G çekirdek ağ ve near-RT RIC bileşenlerinden oluşmaktadır. gNB'ler 3. nesil ortaklık projesi (3rd generation partnership project, 3GPP) standartlarına uygun merkezi birim/dağıtık birim (central unit/distributed unit, CU/DU) ayrımıyla çalışmaktadır. Üst katman protokolleri merkezi birimlerde, düşük gecikme gerektiren işlemler ise dağıtık birimlerde yürütülmektedir. Tüm optimizasyon ve karar verme mekanizması, gNB'lerin dışında konumlanan near-RT RIC üzerinde çalışan xApp'ler aracılığıyla gerçekleştirilmektedir. Bu yapı, mevcut radyo protokollerine müdahale edilmeden gelişmiş hareketlilik yönetim algoritmalarının uygulanmasını mümkün kılmaktadır. Near-RT RIC üzerinde çalışan sistem; metrik toplama, yük tahmini, federatif model koordinasyonu ve handover uygulama işlevlerini ayrı xApp'ler üzerinden gerçekleştirmektedir. Metrik toplayıcı (metrics collector) xApp, gNB'lerden gelen ölçümleri toplarken; FL kestiricisi (FL predictor) xApp, yakın gelecekteki hücre yükünü tahmin etmektedir. FL koordinatörü (FL coordinator) xApp, dağıtık öğrenme sürecini yönetmekte; handover yürütücüsü (handover handler) xApp ise öğrenme çıktıları doğrultusunda handover kararlarını uygulamaktadır. Bu ayrıştırılmış yapı, her fonksiyonun bağımsız geliştirilmesine ve kontrol edilmesine olanak sağlamaktadır. Yapı, dört katmandan oluşan uçtan uca bir testbed olarak tasarlanmıştır: UE katmanı, RAN katmanı, near-RT RIC katmanı ve Open5GS tabanlı 5GC katmanı. İki gNB aynı frekans bandında çalıştırılarak hücreler arası girişim ve gerçekçi handover koşulları oluşturulmuştur. Toplam 20 UE, Gauss–Markov hareketlilik modeli ile 1–30 m/s hız aralığında hareket ettirilmiş; böylece hem yaya hem de araç hareketliliğine benzeyen senaryolar altında handover davranışı gözlemlenebilmiştir. Trafik üretimi iPerf ile gerçekleştirilmiş ve Pareto dağılımlı patlamalı trafik profili kullanılarak hücre yüklerinin dinamik ve dengesiz biçimde oluşması sağlanmıştır. İletim kontrol protokolü (transmission control protocol, TCP) akışları throughput ölçümü için, kullanıcı datagram protokolü (user datagram protocol, UDP) akışları ise jitter ve paket kaybı ölçümü için kullanılmıştır. Sistem, uçtan uca bir veri işleme hattı üzerinden çalışmaktadır. gNB'ler, UE'lerden elde edilen radyo ve trafik ölçümlerini düzenli aralıklarla near-RT RIC'e iletmektedir. uplink, downlink, jitter, paket kaybı, RSRP, RSRQ ile UE hız ve hareket yönü toplanan temel anahtar performans göstergeleri (key performance indicator, KPI) olarak kullanılmaktadır. Bu metrikler, kayan pencere analizi, üstel ağırlıklı hareketli ortalama (exponentially weighted moving average, EWMA) filtreleme ve min–max normalizasyon adımlarından geçirilerek zaman tutarlılığı sağlanmış, ölçeklenmiş ve öğrenmeye uygun hale getirilmiştir. Bu işlem sonucunda, hücrenin durumunu temsil eden kompleks bir özellik vektörü oluşturulmuştur. Yük tahmini problemi, çok değişkenli zaman serisi tahmini olarak ele alınmış ve her gNB üzerinde uzun kısa süreli bellek (long short-term memory, LSTM) tabanlı bir model eğitilmiştir. LSTM mimarisi, hücresel ağlardaki kısa süreli trafik dalgalanmaları ile uzun vadeli kullanım eğilimlerini birlikte modelleyebilme yeteneği nedeniyle tercih edilmiştir. Her gNB, yalnızca kendi servis verdiği UE'lere ait verilerle yerel modelini eğitmekte ve ham ölçüm verileri ağ içinde paylaşılmamaktadır. Yerel modellerin sınırlı öğrenme sorununu aşmak amacıyla, federatif öğrenme mekanizması uygulanmıştır. near-RT RIC üzerinde çalışan FL coordinator xApp, belirli aralıklarla gNB'lerden model parametrelerini almakta ve federatif ortalama (federated averaging, FedAvg) algoritması ile bu parametreleri birleştirerek küresel bir model oluşturmaktadır. Ortaya çıkan global model, tüm gNB'lere yeniden dağıtılarak hem hücreye özgü öğrenme hem de ağ genelinde genelleme sağlanmaktadır. Bu süreç, veri gizliliğini korurken ağ genelinde daha doğru yük tahminleri elde edilmesine olanak sağlamaktadır. Handover karar mekanizması, öğrenme çıktılarının doğrudan uygulanması yerine, iki aşamalı bir karar yapısı kullanmaktadır. İlk aşamada, tahmin edilen yük dengesi iyileşmesi, UE hareket yönü ve radyo sinyal kalitesi eğilimlerini içeren birleşik bir handover skoru hesaplanmaktadır. İkinci aşamada ise bu skor, RSRP farkı, zaman etiketi (time-to-trigger, TTT), handover hız limiti ve minimum ayrım süresi gibi guardrail koşullarıyla değerlendirilerek güvenli ve kararlı kararlar alınması sağlanmaktadır. Bu yapı, öğrenme tabanlı optimizasyonun 3GPP standartlarına uygun ve kararlı mobilite yönetimiyle birlikte çalışmasını sağlamaktadır. Değerlendirme, beş yaklaşımın karşılaştırılmasıyla yapılmıştır. Bu yaklaşımlar; legacy A2, legacy A3 + histerezis, merkezi makine öğrenmesi (centralised ML), mobilite içermeyen FL ve önerilen mobilite farkındalıklı FL sistemidir. Sonuçlar; yük dengesizliği, paket kaybı, ortalama throughput, tahmin doğruluklarının tur bazında değişimi, handover sonrası hücre yük dağılımı ve handover yürütme gecikmesinin kümülatif dağılım fonksiyonu analizi üzerinden incelenmiştir. Elde edilen bulgular, mobilite farkındalığının yalnızca trafik yönetimini destekleyen ikincil bir unsur olmadığını; aksine kalıcı sinyal bozulmalarını geçici dalgalanmalardan ayırt edebilen ve doğru zamanlama ile handover tetikleyebilen temel bir karar bileşeni olduğunu ortaya koymaktadır. UE hareket yönü ve zamansal sinyal değişimlerinin açık biçimde modellenmesi, handover kararlarının daha isabetli ve kararlı olmasını sağlamıştır. Federatif öğrenme yaklaşımı ise gNB'lerin non-IID trafik ve mobilite desenlerini birlikte öğrenmesine olanak tanırken, yerel verilerin korunmasını ve ölçeklenebilirliği mümkün kılmıştır. Sistemin operasyonel güvenliği, öğrenme tabanlı tahminlerin deterministik guardrail mekanizmaları ile birlikte çalışması sayesinde sağlanmıştır. Guardrail yapısı, öğrenme sürecinin erken ve kararsız evrelerinde riskli kararların uygulanmasını engellerken, sistemin zaman içinde güvenli biçimde kendini geliştirmesine olanak sağlamıştır. Bu durum, öğrenme temelli kontrol mekanizmalarının gerçek ağ ortamlarında uygulanabilirliğini ve güvenilirliğini güçlendirmektedir. Genel olarak bu çalışma, federatif öğrenme, kullanıcı hareketlerinin tahmin edilmesi ve kural tabanlı güvenlik kısıtlarının birlikte kullanılmasıyla, 5G Open RAN ağları için operasyonel, standart uyumlu ve ölçeklenebilir bir akıllı mobilite yönetim sisteminin geliştirilebileceğini ortaya koymaktadır.

Özet (Çeviri)

Fifth-generation (5G) and beyond mobile communication systems need to support diverse service types. These are enhanced mobile broadband (eMBB), ultra-reliable low-latency communications (URLLC), and massive machine-type communications (mMTC), while operating in unpredictable radio and traffic environments. Handover decisions directly impact data protection, service continuity, and traffic distribution between radio access network (RAN) nodes, creating fundamental challenges in network mobility management. The 3GPP-defined traditional handover systems operate through real-time signal strength measurements, which include reference signals received power (RSRP) and reference signal received quality (RSRQ) values, together with fixed threshold values and time-to-trigger parameters. These methods provide strong performance, but they operate as reactive systems that do not utilise time-based traffic patterns, user movement data, and cell traffic levels for optimisation. This thesis develops a mobility-based handover optimisation system which uses federated learning (FL) within the open radio access network (O-RAN) infrastructure. The system proposal uses near-real-time RAN intelligent controller (near-RT RIC) programmability to run xApps, which work together for closed-loop handover control. The system contains four essential xApps, which include a Metrics Collector for immediate KPI data collection, an FL-based traffic predictor for load prediction, an FL coordinator for global model unification and a handover handler, which performs E2 interface-based mobility execution. The system employs federated learning to train models across gNBs while maintaining user measurement data locally, which reduces backhaul traffic and preserves data storage at its original location. The training process of a recurrent neural network model uses multi-dimensional feature vectors which unite radio measurement data with traffic load indicators and user velocity and direction information. The federated averaging (FedAvg) algorithm combines model updates to create a global predictor which operates throughout the network. The proposed framework is implemented and evaluated on an end-to-end open-source testbed combining OpenAirInterface (OAI) gNBs, an Open5GS 5G Core, and a FlexRIC-based near-RT RIC. The system operates under actual Gauss–Markov mobility and Pareto traffic models, which include various UEs and working gNBs for performance evaluation. The experimental data show that the proposed FL-based system achieves higher handover success rates, enhanced inter-cell load distribution, and lower packet loss rates than A2/A3-based and centralised machine learning approaches while keeping decision times at real-time levels.

Benzer Tezler

  1. Tez No

    975912

    Elektrikli araçlarda otonom filo yönetim sistemi için federe öğrenme mimarisi ile prognostik sistemi

    Federated learning based prognostic system for autonomous fleet management of electrical vehicles

    METİN YILMAZ

    Doktora

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET YAZICI

  2. Tez No

    748203

    On federated learning over wireless channels with over-the-air aggregation

    Kablosuz kanallar üzerinden havada birleştirme ile federe öğrenme

    OZAN AYGÜN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. TOLGA METE DUMAN

  3. Tez No

    838397

    Federated learning and distributed inference over wireless channels

    Kablosuz kanallar üzerinde federe öğrenme ve dağıtık çıkarım

    BÜŞRA TEGİN

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. TOLGA METE DUMAN

  4. Tez No

    978070

    Nöromorfik hesaplama ve memristor tabanlı ağ saldırı tespit sistemleri: Siber güvenlikte yeni yaklaşımlar

    Neuromorphic computing and memristor-based network attack detection systems: New approaches in cyber security

    YUSUF ETKA KÖYLÜ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. İLHAN KOCAARSLAN

  5. Tez No

    934224

    Federated learning for credit card fraud detection: A privacy-preserving approach with controlled noise integration

    Kredi kartı dolandırıcılığı tespiti için federated learning: Kontrollü gürültü entegrasyonu ile gizlilik koruyucu yaklaşım

    RUSUL MAHDI ABDULHADI AL MAQADAS

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MURAT SARAN

Geri Dön