University of Oulu

Proactive resource allocation in spectrum sharing with radar systems via ML-based wireless network time series forecasting

Saved in:
Author: Sone, Su Pyae1,2
Organizations: 1University of Oulu Graduate School
2University of Oulu, Faculty of Information Technology and Electrical Engineering, Communications Engineering
Format: ebook
Version: published version
Access: open
Online Access: PDF Full Text (PDF, 2.7 MB)
Persistent link: http://urn.fi/urn:isbn:9789526235141
Language: English
Published: Oulu : University of Oulu, 2022
Publish Date: 2022-12-05
Thesis type: Doctoral Dissertation
Defence Note: Academic dissertation to be presented, with the assent of the Doctoral Programme Committee of Information Technology and Electrical Engineering of the University of Oulu, for public defence in the Oulun Puhelin auditorium (L5), Linnanmaa, on 13 December 2022, at 12 noon
Tutor: Docent Janne Lehtomäki
Docent Zaheer Khan
Reviewer: Professor Lorenzo Mucchi
Assistant Professor Bo Tan
Opponent: Professor Elena Simona Lohan
Description:

Abstract

The prediction of wireless network parameters can help to facilitate proactive resource allocation solutions not only in cellular networks but also in enterprise networks. In this thesis, temporal and spatial analysis of network traffic using real traffic data of an enterprise network are presented, where we use three different machine learning (ML-based) methods and two different classical methods for temporal forecasting traffic usage. The results show that no universal best forecasting method can predict the traffic usage of every AP in an enterprise wireless network. The ML-based combined models are also used for spatio-temporal forecasting, improving the forecasting performance of single AP traffic usage. However, analyzing and predicting only network layer traffic data is not enough to execute decisions for resource allocation since the channels utilized in enterprise networks are shared unlicensed channels. Therefore, analyzing and forecasting the physical layer data of a channel are also investigated. In this thesis, we also improved the performance of conventional ML-based methods for time series forecasting by proposing a features-like grid training data structure which uses historical data as features.

After proving that physical layer data has more predictive power in the time series forecasting aspect with all forecasting models, physical layer data transmit power (TP) and interference prediction are applied in spectrum sharing with a radar system to improve the secure radar protection and efficient transmission of APs. In particular, weather radar operating in the 5.6 GHz band is considered a primary system and the secondary system is an enterprise network consisting of APs in a university campus. First, the transmit power time series of APs in the campus are modeled with multinomial distribution based on real collected data. Then, the aggregated interference due to the transmissions from the APs at the radar is predicted using LSTM with Monte Carlo (MC) dropout by considering model uncertainty. Finally, an efficient sharing and radar protection (ESRP) system based on two algorithms is proposed by using an averaged and predicted upper limit interference time series. The results show that the proposed ESRP system with an upper limit of interference prediction ensures radar protection with better throughput than the conventional radar protection systems. Moreover, better radar protection can be achieved with a small trade-off for the throughput of the secondary users by adjusting the MC dropout value used in the ESRP system.

see all

Tiivistelmä

Langattoman verkon parametrien ennustaminen voi auttaa edistämään ennakoivia resurssien allokointiratkaisuja myös yritysverkoissa. Työssä esitetään verkkoliikenteen ajallinen ja spatiaalinen analyysi yritysverkon todellisen liikennedatan avulla. Käytämme kolmea koneoppimismenetelmää (ML) ja kahta klassista menetelmää liikenteen käytön ajalliseen ennustamiseen. Tulokset osoittavat, että ei ole olemassa yhtä yleismaailmallista parasta ennustemenetelmää, jolla voidaan ennustaa jokaisen tukiaseman liikenteen käyttöä yrityksen langattomassa verkossa. ML-pohjaisia yhdistettyjä malleja käytetään myös ajallispaikalliseen ennustamiseen, mikä paransi yhden tukiaseman liikenteen käytön ennustamista. Pelkän verkkokerroksen liikennetietojen analysointi ja ennustaminen ei kuitenkaan riitä resurssien allokointipäätösten suorittamiseen, koska yritysverkoissa käytettävät kanavat ovat jaettuja lisensoimattomia kanavia. Siksi tutkitaan myös kanavan fyysisen kerroksen datan analysointia ja ennustamista. Paransimme myös perinteisten ML-pohjaisten menetelmien suorituskykyä aikasarjaennusteissa ehdottamalla uutta tietorakennetta oppimiseen, joka käyttää ominaisuuksina historiallisia tietoja.

Sen jälkeen, kun on todistettu, että fyysisen kerroksen tiedoilla on enemmän ennustusvoimaa aikasarjan ennustamisessa kaikissa ennustemalleissa, fyysisen kerroksen datan lähetystehoa (TP) ja häiriöennustetta käytetään spektrin jakamisessa tutkan kanssa tutkasuojauksen ja tukiasemien tehokkaan tiedonsiirron parantamiseksi. Erityisesti 5,6 GHz:n kaistalla toimivaa säätutkaa tutkitaan ensisijaisena järjestelmänä ja toissijainen järjestelmä on yliopistokampuksen tukiasemista koostuva yritysverkko. Ensin kampuksen tukiasemien lähetystehon aikasarjat mallinnetaan multinomijakaumalla todellisen kerätyn datan perusteella. Tutkalle tukiasemien lähetyksistä johtuvat häiriöt ennustetaan käyttämällä LSTM:ää Monte Carlo (MC) -pudotuksen kanssa ottaen huomioon mallin epävarmuus. Lopuksi ehdotetaan kahteen algoritmiin perustuvaa tehokasta jakamis- ja tutkasuojausjärjestelmää (ESRP) käyttämällä keskiarvotettuja ja ennustettuja ylärajan häiriöaikasarjoja. Tulokset osoittavat, että ehdotettu ESRP-järjestelmä, jossa on häiriöennusteen yläraja, varmistaa tutkasuojan paremmalla suorituskyvyllä kuin perinteiset tutkasuojajärjestelmät. Lisäksi parempi tutkasuojaus voidaan saavuttaa pienellä kompromissilla toissijaisten käyttäjien suorituskyvyssä säätämällä ESRP-järjestelmässä käytettyä MC pudotusarvoa.

see all

Osajulkaisut / Original papers

Osajulkaisut eivät sisälly väitöskirjan elektroniseen versioon. / Original papers are not included in the electronic version of the dissertation.

  1. Sone, S. P., Lehtomäki, J. J., & Khan, Z. (2020). Wireless traffic usage forecasting using real enterprise network data: Analysis and methods. IEEE Open Journal of the Communications Society, 1, 777–797. https://doi.org/10.1109/OJCOMS.2020.3000059

    Rinnakkaistallennettu versio / Self-archived version

  2. Sone, S. P., Lehtomäki, J., Khan, Z., & Umebayashi, K. (2021). Forecasting wireless network traffic and channel utilization using real network/physical layer data. 2021 Joint European Conference on Networks and Communications & 6G Summit (EuCNC/6G Summit), 31–36. https://doi.org/10.1109/EuCNC/6GSummit51104.2021.9482498

    Rinnakkaistallennettu versio / Self-archived version

  3. Sone, S. P., Lehtomäki, J., Khan, Z., Umebayashi, K., & Javed, Z. (2022). Proactive radar protection system in shared spectrum via forecasting secondary user power levels. IEEE Access, 10, 40367–40380. https://doi.org/10.1109/ACCESS.2022.3166844

    Rinnakkaistallennettu versio / Self-archived version

  4. Sone, S. P., Lehtomäki, J., Khan, Z., Umebayashi, K., & Javed, Z. (2022). Utilizing uncertainty of time series prediction in spectrum sharing with radar systems. Manuscript submitted for publication.

see all

Series: Acta Universitatis Ouluensis. C, Technica
ISSN: 0355-3213
ISSN-E: 1796-2226
ISSN-L: 0355-3213
ISBN: 978-952-62-3514-1
ISBN Print: 978-952-62-3513-4
Issue: 857
Type of Publication: G5 Doctoral dissertation (articles)
Field of Science: 213 Electronic, automation and communications engineering, electronics
Subjects:
CNN
DFS
GRU
Funding: I would like to acknowledge Infotech Oulu and the Academy of Finland 6Genesis Flagship for the financial support for my doctoral research.
Copyright information: © University of Oulu, 2022. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited.