Maschinelles Lernen und künstliche Intelligenz für Funknetze

Funknetze bieten eine Vielzahl von Möglichkeiten künstliche Intelligenz gewinnbringend einzusetzen. In der Abteilung Drahtlose Kommunikation und Netze (WN) wird dazu in Projekten auf den folgenden Gebieten geforscht:

Funknetz und künstliche Intelligenz

In der näheren Zukunft werden die Steuer-, Regel- und Optimierungsaufgaben in vielen Bereichen der Technik so komplex, dass herkömmliche Optimierungsansätze nicht mehr ausreichen, um sie zu bewältigen.

Klicken Sie hier, um mehr über "Funknetze und künstliche Intelligenz" zu erfahren

Dies gilt insbesondere dann, wenn Echtzeitverarbeitung und eine hohe Anpassungsfähigkeit an sich ständig ändernde Randbedingungen gefordert werden. Diesen Herausforderungen kann mit künstlicher Intelligenz bzw. maschinellem Lernen begegnet werden.

Der neue Mobilfunkstandard 5G und seine potentiellen Nachfolger ergeben dafür ein breites Anwendungsfeld und folgerichtig gehört das maschinelle Lernen zu den Forschungsschwerpunkten in der Abteilung Drahtlose Kommunikation und Netze. Durch die Einführung neuartiger Forschungsansätze und die Kombination bisheriger Forschungsergebnisse mit dem maschinellen Lernen werden dabei innovative Lösungswege beschritten.

Beim maschinellen Lernen werden möglichst große Datenmengen mithilfe spezieller Methoden so ausgewertet, dass daraus die nötigen Schlüsse für zukünftige Entscheidungen gezogen werden können. Die Methoden dazu sind sehr vielfältig, aber generell gilt, dass, wer große Datenmengen zur Verfügung hat, im Vorteil ist. Dass die künstliche Intelligenz erst jetzt verstärkt ihren Weg in die Anwendung findet, liegt an der enormen dazu nötigen Rechenleistung. Für viele Anwendungen der künstlichen Intelligenz sind selbst heutige Computer-Prozessoren (CPU) zu langsam, was aber durch den Einsatz von sehr leistungsfähigen, grafik-basierenden Prozessoren (GPU) oftmals kompensiert werden kann.

Die Arbeiten zum Funkkanal, die mithilfe von maschinellem Lernen verbessert oder erst gelöst werden können, werden hier in drei Bereiche aufgeteilt. Da ist zuerst die Optimierung des Funknetzes zu nennen, das aufgrund seiner Größe und der damit verbundenen Datenflut besonders geeignet ist, um diese Aufgabe vorteilhaft mit Methoden des maschinellen Lernens zu lösen. Ferner sind es Methoden zur Optimierung der Datenübertragung zum Endgerät, die vorzugsweise im network layer ausgeführt werden, wenn es jedoch die Verarbeitungsgeschwindigkeit erfordert, auch im physical layer durchgeführt werden können.

Darüber hinaus werden allgemeine Betrachtungen und weitergehende Ansätze entwickelt, erforscht und untersucht. So wurden u. a. Störungen ausgewertet, um sie zum Lernen zu benutzen [1], [2], sogenannte deep neural networks (siehe Abbildung) mithilfe der Laplace Technik problemspezifisch entworfen [3], [4] und das verteilte Lernen (distributed learning) hinsichtlich verschiedener Kriterien intensiv untersucht [5], [6], [7], [8].

Vergleich zwischen deep neural network und simple neural network — Abbildung: Deep neural network mit seinen vielen Zwischenschichten (layer) im Vergleich zum simple neural network.

Die Forschungsaktivitäten bezüglich der sogenannten Zeitumkehr (time reversal) stehen derzeit im Fokus. Bei der Zeitumkehr wird das sich aus dem Fading ergebene Empfangsmuster in zeitlicher Umkehr als Abstrahlmuster verwendet, so dass die Anteile zeitgleich am anderen Empfänger ankommen. Bei genügendem Fading kann sich eine sehr leistungseffiziente Übertragung ergeben, die dabei noch mit einer relativ einfachen Hardware realisiert werden kann. Um das Potenzial aber abrufen zu können, ist eine schnelle Erfassung des Fading-Profils von essentieller Bedeutung und findet daher im physical layer statt.

Referenzen

_{[1] S. Limmer, J. Mohammadi, S. Stanczak, “A Simple Algorithm for Approximation by Nomographic Functions”, 53rd Annual Allerton Conference on Communication, Control, and Computing, 2015}

_{[2] K. Ralinovski, M. Goldenbaum and S. Stanczak, Energy-efficient Classification for Anomaly Deteciton: The Wireless Channel as a Helper, IEEE ICC, 2016}

_{[3] S. Limmer and S. Stanczak, "Optimal deep neural networks for sparse recovery via Laplace techniques," arXiv:1709.01112, Sep. 2017}

_{[4] S. Limmer and S. Stanczak. A neural architecture for Bayesian compressive sensing over the simplex via Laplace techniques. IEEE Trans. on Signal Processing, 66(22):6002–6015, Nov. 2018}

_{[5] R. L. G. Cavalcante, S. Stanczak, and I. Yamada, Cooperative Cognitive Radios with Diffusion Networks. IN: Mechanisms and Games for Dynamic Spectrum Allocation. Cambridge University Press, UK, 2014}

_{[6] R. L. G. Cavalcante and S. Stanczak, "A distributed subgradient method for dynamic convex optimization problems under noisy information exchange,"IEEE Journal of Selected Topics in Signal Processing, vol. 7, no. 2, pp. 243-256, April 2013}

_{[7] R. L. G. Cavalcante, A. Rogers, N. R. Jennings, and I. Yamada, "Distributed Asymptotic Minimization of Sequences of Convex Functions by a Broadcast Adaptive Subgradient Method," IEEE Journal of Selected Topics in Signal Processing, vol. 5, no. 4, pp. 739-753, Aug. 2011}

_{[8] R. L. G. Cavalcante, I. Yamada, and B. Mulgrew, "An Adaptive Projected Subgradient Approach to Learning in Diffusion Networks,” IEEE Trans. Signal Processing,vol. 57, no. 7, pp. 2762-2774, July 2009}

Optimierung von Funknetzen

Mit der Einführung von Funknetzen zur mobilen Kommunikation wurde aufgrund einer stets steigenden Nachfrage ihre Optimierung ein zentrales Thema.

Klicken Sie hier, um mehr über die "Optimierung von Funknetzen" zu erfahren

Bei aktuellen Funknetzen wie 5G sind nicht nur die Datenrate und die Kapazität die Schlüsselparameter, sondern Anforderungen an die Energieeffizienz, das Latenzverhalten, die Abhörsicherheit und weitere drängen ebenfalls in den Fokus. Insofern können enorme Mengen an Daten anfallen, die vorteilhaft nur mit Mitteln des maschinellen Lernens verarbeitet werden können.

Der überwiegende Teil der Daten wird von den mobilen Endgeräten eingesammelt, die mittels ihrer Übertragungs- und zusätzlich aufgenommenen Umweltdaten versuchen, sich einen umfassenderen Überblick von der sie versorgenden Mobilfunkzelle zu verschaffen. Mithilfe dieses kognitiv erlangten Zusatzwissens soll es ermöglicht werden, sich vorausschauend zu verhalten. Weitere Informationen, z. B. aus dem Internet, können dabei unterstützend eingesetzt werden. Z. B. kann die automatische Auswertung eines Veranstaltungskalenders den Ort und die Zeit von Großereignissen liefern, was dann bei der Optimierung eines Funknetzes schon im Voraus berücksichtigt werden kann.

Auf lange Sicht hin soll nicht nur der einzelne Teilnehmer kognitive Fähigkeiten bzgl. seiner direkten Umgebung gewinnen, sondern dieses kognitive Wissen aller Teilnehmer soll derart zusammengefasst und weiterverarbeitet werden, dass ein kognitives Mobilfunk-Management entsteht, d. h., dass das Funknetz sich weitgehend autonom steuern kann.

Um dieses Ziel zu erreichen, werden in der Abteilung Drahtlose Kommunikation und Netze verschiedene Verfahren zur Optimierung von Funknetzen entwickelt, untersucht und getestet. Ein Ziel ist es z. B., möglichst detailgetreue Übersichtskarten (maps) des gesamten Funknetzes für verschiedene relevante Parameter zu erzeugen, mit deren Auswertung dann ein möglichst optimaler Zustand für das Funknetz erreicht werden kann. Relevante Parameter sind z. B. die Verkehrslast oder die Kapazität eines Netzwerkes, deren Zusammenhänge, inklusive der dazu benutzten Eingangsdaten, in der folgenden Abbildung beispielhaft gezeigt werden.

Relevante Parametern und den dazu benutzten Eingangsdaten — Abbildung: Schema zu den relevanten Parametern und den dazu benutzten Eingangsdaten, die als Basis zur Optimierung eines Funknetzes dienen können.

Beispiele von Themen dazu, die in der Abteilung Drahtlose Kommunikation und Netze bearbeitet werden, sind u. a.: die Vorhersage des Datenverkehrs aufgrund gemessener Daten unter Einbeziehung von kontextbezogenen Zusatzinformationen [1], das Lernen von sogenannten radio maps mithilfe gemessener Anwenderdaten [2], [3], sogenannte data driven Methoden zur Abschätzung der Verkehrslast [4], Protokollfragen bei sehr dichten und störbehafteten Netzwerken [5], verschiedene Ansätze zur Bestimmung der Verkehrslast- und Kapazitätsverteilung [6], [7], [8], [9], [10], Messung des Störverhaltens zur Detektion von Anomalitäten [11] und Fragen der Energieeffizienz [12], [13].

Referenzen

_{[1] R. L. G. Cavalcante, S. Stańczak, M. Schubert, A. Eisenblätter, and U. Türke, "Toward Energy-Efficient 5G Wireless Communication Technologies," IEEE Signal Processing Magazine, vol. 31, no. 6, pp. 24-34, Nov. 2014}

_{[2] M. Kasparick, R. L. G. Cavalcante, S. Valentin, S. Stańczak, and M. Yukawa, "Kernel-Based Adaptive Online Reconstruction of Coverage Maps with Side Information," IEEE Transactions on Vehicular Technology, vol. 65, no. 7, pp. 5461-5473, July 2016}

_{[3] K. Oltmann, R. L. G. Cavalcante, S. Stańczak, and M. Kasparick, "Interference Identification in Cellular Networks via Adaptive Projected Subgradient Methods," in Proc. IEEE Asilomar Conference on Signals, Systems, and Computers, Nov. 2013}

_{[4] D. A. Awan, R. L. G. Cavalcante, and S. Stańczak, "A robust machine learning method for cell-load approximation in wireless networks," in Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Apr. 2018}

_{[5] N. Agrawal, M. Frey and S. Stanczak, A Scalable Max-Consensus Protocol For Noisy Ultra-Dense Networks. IEEE 20th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), July 2019}

_{[6] R. L. G. Cavalcante and S. Stańczak, "The role of asymptotic functions in network optimization and feasibility studies," in Proc. IEEE Global Conference on Signal and Information Processing (GlobalSIP), Nov. 2017}

_{[7] R. L. G. Cavalcante and S. Stańczak, "Peak load minimization in load coupled interference networks," in Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Mar. 2017}

_{[8] R. L. G. Cavalcante, M. Kasparick, and S. Stańczak, "Max-min utility optimization in load coupled interference networks," IEEE Trans. Wireless Comm., vol. 16, no. 2, pp. 705-716, Feb. 2017}

_{[9] R. L. G. Cavalcante, S. Stańczak, J. Zhang, and H. Zhuang, "Low Complexity Iterative Algorithms for Power Estimation in Ultra-Dense Load Coupled Networks," IEEE Trans. Signal Processing, vol. 64, no. 22, pp. 6058-6070, Nov. 2016}

_{[10] R. L. G. Cavalcante, Y. Shen, S. Stańczak, "Elementary Properties of Positive Concave Mappings with Applications to Network Planning and Optimization," IEEE Trans. Signal Processing, vol. 64, no. 7, pp. 1774-1783, April 2016}

_{[11] K. Ralinovski, M. Goldenbaum and S. Stanczak, Energy-efficient Classification for Anomaly Detection: The Wireless Channel as a Helper, IEEE ICC, 2016}

_{[12] E. Pollakis, R. L. G. Cavalcante, and S. Stańczak, "Base station selection for energy efficient network operation with the majorization-minimization algorithm," in SPAWC June 2012}

_{[13] E. Pollakis, R. L. G. Cavalcante, and S. Stańczak, "Traffic Demand-Aware Topology Control for Enhanced Energy-Efficiency of Cellular Networks," EURASIP Journal on Wireless Communications and Networks, vol. 2016, no. 1, pp. 1-17, 2016}

Optimierung der Datenübertragung zum mobilen Endgerät: Network Layer

Viele relevante Daten stehen erst auf dem network layer zur Verfügung und ermöglichen somit vollständige Aussagen zur erzielten Datenrate und Datenqualität.

Klicken Sie hier, um mehr über den "Network Layer" zu erfahren

Da es sich i. Allg. um mobile Endgeräte handelt, können aus den Daten des network layers, zusammen mit Umweltdaten und Ausnutzung weiterer Informationsquellen, lokale Ortsverteilungen verschiedener, relevanter Parameter gewonnen werden. Dies wird schematisch im unteren Bild gezeigt, wobei Verfahren des maschinellen Lernens insbesondere deswegen vorteilhaft eingesetzt werden können, weil ein längerfristiges Lernen möglich ist. Durch das Erlangen dieser ortsabhängigen Zusatzinformationen für die jeweilige Funkzelle und Teile ihrer angrenzenden Nachbarzellen, soll ein vorausschauendes Verhalten für die mobilen Teilnehmer ermöglicht und das Funknetz besser ausgenutzt werden.

Relevante Parametern und den dazu benutzten Eingangsdaten, um Ortskenntnis zu erlangen — Abbildung: Schema zu den relevanten Parametern und den dazu benutzten Eingangsdaten, um Ortskenntnis zu erlangen, mit der dann ein vorausschauendes, mobiles Verhalten möglich wird.

Beispiele von Themen dazu, die in der Abteilung Drahtlose Kommunikation und Netze bearbeitet werden, sind u. a. das Lernen von sogenannten radio maps mithilfe gemessener Anwenderdaten [1], [2], [3], [4] und das Ausnutzen der räumlichen und spektralen Korrelation, um die Ortsverteilung des Pfad-Verlustes zu schätzen [5].

Referenzen

_{[1] M. Kasparick, R. L. G. Cavalcante, S. Valentin, S. Stańczak, and M. Yukawa, "Kernel-Based Adaptive Online Reconstruction of Coverage Maps with Side Information," IEEE Transactions on Vehicular Technology, vol. 65, no. 7, pp. 5461-5473, July 2016}

_{[2] K. Oltmann, R. L. G. Cavalcante, S. Stańczak, and M. Kasparick, "Interference Identification in Cellular Networks via Adaptive Projected Subgradient Methods," in Proc. IEEE Asilomar Conference on Signals, Systems, and Computers, Nov. 2013}

_{[3] Z. Utkovski, P. Agostini, M. Frey, I. Bjelakovic, and S. Stanczak. Learning radio maps for physical-layer security in the radio access. IEEE International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), July 2019 (invited)}

_{[4] M.A. Gutierrez-Estevez, R.L.G. Cavalcante, and S. Stanczak. Nonparametric radio maps reconstruction via elastic net regularization with multi-kernels. IEEE 19th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), 2018}

_{[5] D. Schäufele, et.al. “Tensor Completion for Radio Map Reconstruction and Channel Cartography using Low Rank and Smoothness“, IEEE International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), July 2019}

Optimierung der Datenübertragung zum mobilen Endgerät: Physical Layer

Der Physical Layer ist die Nahtstelle zur analogen Fading-Welt und die dabei zu bestimmenden Parameter sind gerade bei mobilen Teilnehmern oftmals sehr kurzzeitigen Änderungen unterworfen.

Klicken Sie hier, um mehr über den "Physical Layer" zu erfahren

Insofern ist eine Verbesserung der Parameterschätzung durch eine längere Lernzeit nicht möglich, sondern das Einfließen von zusätzlichen Informationen oder auch die Anwendung geeigneter Modelle müssen dann vorteilhaft eingesetzt werden.

Eine Anwendung ist die Bestimmung der aktuellen Verkehrslast, die sehr dynamisch sein kann. Dazu wurden Lösungsansätze entwickelt und erforscht, die zusätzliche Informationen einbinden [1], [2], [3], aber auch schneller konvergierende Algorithmen können erfolgreich eingesetzt werden [4].

Ein weiteres großes Thema ist die Erzeugung einer quasi-Reziprozität für Frequenzduplexsysteme (FDD-systems), um auch massive MIMO und time reversal Algorithmen mit diesen Systemen erfolgreich anwenden zu können. Dazu werden in der Abteilung Drahtlose Kommunikation und Netze verschiedene Forschungsansätze verfolgt [5], [6], [7], [8].

Abbildung: Schema zum Prinzip der Zeitumkehr (time reversal). Ein Fading-Kanal wird mit einem Impuls angeregt (linke Hälfte) und das empfangene Signal wird in Zeitumkehr wieder abgestrahlt, was wiederum einen Impuls am Empfänger erzeugt (rechte Hälfte).

Das aktuelle Forschungsthema der Zeitumkehr (time reversal, siehe Abbildung) muss auch im physical layer etabliert werden, da dazu die Fading-Eigenschaften deutlich innerhalb der Kohärenzzeit bestimmt werden müssen. Nur dann kann das Empfangsmuster auch noch erfolgreich zur Festlegung des direkt folgenden Sendemusters verwendet werden. Bei genügend großem Fading ergibt dies eine sehr leistungs- und datenrateneffiziente Übertragung.

Weitere Forschungsarbeiten der Abteilung Drahtlose Kommunikation und Netze zur Anwendung des maschinellen Lernens im physical layer behandeln u. a.: Cell-less systems [9], nonlinear beamforming [10], Peak-to-average power ratio (PAPR) reduction [11], [12] und massive random access [13].

Referenzen

_{[1] D. A. Awan, R. L. G. Cavalcante, and S. Stańczak, "A robust machine learning method for cell-load approximation in wireless networks," in Proc. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Apr. 2018}

_{[2] R. L. G. Cavalcante, Y. Shen, S. Stańczak, "Elementary Properties of Positive Concave Mappings with Applications to Network Planning and Optimization," IEEE Trans. Signal Processing, vol. 64, no. 7, pp. 1774-1783, April 2016}

_{[3] R. L. G. Cavalcante, M. Kasparick, and S. Stańczak, "Max-min utility optimization in load coupled interference networks," IEEE Trans. Wireless Comm., vol. 16, no. 2, pp. 705-716, Feb. 2017}

_{[4] D. A. Awan, R. L. G. Cavalcante, M. Yukawa, and S. Stańczak, "Detection for 5G-NOMA: An Online Adaptive Machine Learning Approach," in Proc. IEEE International Conference on Communications (ICC), May 2018}

_{[5] R. L. G. Cavalcante, L. Miretti, and S. Stańczak, "Error bounds for FDD massive MIMO channel covariance conversion with set-theoretic methods," in Proc. IEEE Global Telecommunications Conference (GLOBECOM), Dec. 2018}

_{[6] A. Decurninge, M. Guillaud, and D.T.M. Slock, “Channel covariance estimation in massive MIMO frequency division duplex systems,” in IEEE Globecom, 2015}

_{[7] L. Miretti, R. L. G. Cavalcante, and S. Stańczak, "Downlink channel spatial covariance estimation in realistic FDD massive MIMO systems," IEEE Global Conference on Signal and Information Processing (GlobalSIP), 2018}

_{[8] L. Miretti, R.L.G. Cavalcante and S. Stanczak, „FDD Massive Channel Spatial Covariance Using Projection Methods, in Proc. IEEE ICASSP, April 2018}

_{[9] D. A. Awan, R. L. G. Cavalcante, Z. Utkovski, and S. Stanczak, “A set-theoretic method for detection in cell-less systems,” submitted}

_{[11] J. Fink, R. L. G. Cavalcante, and S. Stańczak, “Extrapolated Projection Methods for PAPR reduction," submitted}

_{[12] R. L. G. Cavalcante and I. Yamada, "A flexible peak-to-average power ratio reduction scheme for OFDM systems by the adaptive projected subgradient method,” IEEE Trans. Signal Processing, vol. 57, no. 4, pp. 1456-1468, April 2009}

_{[13] P. Agostini, Z. Utkovski, J. Pilz, S. Stanczak, Scalable massive random access in C-RAN with fronthaul limitations, submitted}

Network Analytics

Network Analytics bietet Betreibern und Unternehmen ein tiefes Verständnis des Netzwerks und ermöglicht intelligentere, datengetriebene Entscheidungen.

Klicken Sie hier, um mehr über "Network Analytics" zu erfahren

Für die derzeit bestehenden Funknetze sind die Konzepte für das Netzwerkmanagement und ihrer Selbstorganisation nicht ausreichend, um mit dem zukünftig zu erwarteten Wachstum autonomer Netzwerkelemente umzugehen. Insbesondere ist die Frage zu beantworten, wie mit nur partiellem und unsicherem Netzwerkwissen dabei erfolgreich umgegangen werden kann. Ein Forschungsarbeit in der Abteilung Drahtlose Kommunikation und Netze zielt daher auf die Neugestaltung von Verwaltungsmechanismen in Funknetzen ab, um die Mängel bestehender Lösungen zu beseitigen oder zumindest abzumildern. Darüber hinaus müssen Infrastrukturprobleme erkannt werden, bevor sie sich auf die Servicequalität im Netz auswirken können.

Ein gründliches Verständnis der komplexen Zusammenhänge in aktuellen und zukünftigen Kommunikationsnetzen ist daher unumgänglich. Insbesondere werden dadurch erst intelligente Optimierungsentscheidungen ermöglicht, die das Ziel der optimalen Nutzung der knappen Funkressource bei einer gleichzeitigen Verbesserung der Dienstgüte (QoS) aller Nutzer miteinschließt.

Moderne Kommunikationsnetzwerke können als große, sich entwickelnde verteilte Datenbanken angesehen werden, die über den Kontext und die Informationen verfügen, die von tragbaren Geräten (z.B. Mobilitätsinformationen), dem Netzwerk selbst (z.B. die aktuelle Last einer Basisstation) und der Umgebung (z.B. vorhergesagte Benutzertrajektorien) abrufbar sind. In der Abteilung Drahtlose Kommunikation und Netze werden neuartige Wissens-Extraktionsmechanismen und prädiktive Analysemittel entwickelt und integriert, welche über extrem große Datenmengen verfügen und auswerten, um Entscheidungsprozesse im gesamten Netzwerk zu verbessern. Dieses Wissen umfasst eine Vielzahl von Anwendungen, darunter die Echtzeit-Systemidentifikation und die netzwerkweite Selbstoptimierung von drahtlos vernetzten Einheiten. Insbesondere können die gewonnenen Informationen für die Bedarfsmodellierung, die vorausschauende Pufferung, die vorausschauende Übergabe, die vorausschauende Verkehrsabgabe, die zellübergreifende Planung und vieles mehr verwendet werden.

Maschinelles Lernen und künstliche Intelligenz für Funknetze

Funknetz und künstliche Intelligenz

Klicken Sie hier, um mehr über "Funknetze und künstliche Intelligenz" zu erfahren

Referenzen

Optimierung von Funknetzen

Klicken Sie hier, um mehr über die "Optimierung von Funknetzen" zu erfahren

Referenzen

Optimierung der Datenübertragung zum mobilen Endgerät: Network Layer

Klicken Sie hier, um mehr über den "Network Layer" zu erfahren

Referenzen

Optimierung der Datenübertragung zum mobilen Endgerät: Physical Layer

Klicken Sie hier, um mehr über den "Physical Layer" zu erfahren

Referenzen

Network Analytics

Klicken Sie hier, um mehr über "Network Analytics" zu erfahren

Prof. Dr.-Ing. habil. Slawomir Stanczak

Dr.-Ing. Martin Kasparick

Dr. Renato L. G. Cavalcante