Machine learning algorithms for 5G optical networks

dc.contributor
Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions
dc.contributor.author
Ibrahim Mohamed Badr, Asmaa
dc.date.accessioned
2024-02-26T15:48:42Z
dc.date.available
2024-02-26T15:48:42Z
dc.date.issued
2023-07-18
dc.identifier.uri
http://hdl.handle.net/10803/690170
dc.description.abstract
(English) Throughout this thesis we addressed 5G network challenges. The non-coherent optical modulation tradeoff has been addressed, as we proposed FBMC and artificial intelligence-based schemes. The proposed schemes have been proved to solve the spectral and the power efficiency trade off in non- coherent optical modulation schemes. Then we addressed the problem of interference management for indoor and outdoor networks. We evaluated the proposed scheme for VLC network and for the front haul optical network. The proposed schemes show significant enhancement in the network behavior regarding power saving and network management. Chapter 2 presented a non-coherent optical modulation transceiver based on artificial neural network and decision regression tree. It is shown that nonlinear regression provides the best system performance, over linear and polynomial regression, as it offers better feature extraction. While the transceiver based on decision regression tree eliminates the clipping distortion produced by clipping the transmitted signal over optical channel. The proposed transceiver overcomes the tradeoff between the spectral and the power efficiency of the noncoherent optical modulation, moreover it shows better performance and enhanced BER for high subcarrier spacing. On the other side, reducing the subcarrier spacing highly influences the RDT scheme, as it increases the BER and the complexity of the scheme. It is shown that the AI based transceiver enhances the BER of the DCO-OFDM, as the BER reaches 10^-3 at 5 db SNR with the same spectral efficiency. While in chapter 3, the optical ACO-FBMC scheme for direct detection modulation was presented. We have shown that the proposed scheme eliminates self-frame interference and suffers from inter-frame interference. Interframe interference is eliminated using the proposed iterative receiver. Also, the ACO-FBMC enhances the BER performance of the ACO-OFDM with the perfect rectangular pulse shaping and eliminating the emission of the filter bank out of the band. Our system model has higher spectral efficiency than the classic ACO-OFDM, as FBMC shows better spectral efficiency by removing the guard interval. Moreover, it has been shown that the ACO-FBMC with 8 overlapping factors improves the BER performance of the ACO-OFDM by 4 dB due to the perfect rectangular pulse shaping and the elimination of the out-band emission of the filter bank. In chapter 4, we addressed the problem of interference management in a VLC indoor system with multi-user access. The performance of the system applying the SRF technique compared to UFR and PFR. The results showed that the proposed approach improves system performance in terms of total system throughput, outage probability, and SINR. It solves the problem of high SINR at the cell edge as experienced by UFR and improved the overall system throughput as compared with PFR. In chapter 5, we proposed RRH-BBU assignment based on clustering algorithm that targets minimizing the power consumption and the inter BBU handover. The proposed algorithm computes the required number of installed BBUs to accommodate the maximum traffic load, deploys time series clustering as temporal clustering method, and applies DBSCAN algorithm to divide each temporal cluster into several spatial cluster based on the cell location. Then the problem of assigning RRH of each cluster is described as a bin packing optimization problem to find the optimum number of BBUs for each cluster. The proposed algorithm has been validated using real world CDR of Milan city and it is verified the published Milan land use map. The inter BBU handover signals have been enhanced by assigning near RRHs to the same spatial cluster and same BBU, to avoid inter BBU handover. It is shown that the algorithm reduces the total power consumption of the current deployed network by 28.8 %, by assigning all the active RRHs tocertain BBUs based on the traffic load and switching off the unassigned BBUs.
ca
dc.description.abstract
(Español) A lo largo de esta tesis abordamos los desafíos de la red 5G. Se ha abordado la compensación de la modulación óptica no coherente, ya que propusimos FBMC y esquemas basados en inteligencia artificial. Se ha demostrado que los esquemas propuestos resuelven el equilibrio espectral y de eficiencia energética en esquemas de modulación óptica no coherentes. Luego abordamos el problema de la gestión de interferencias para redes interiores y exteriores. Evaluamos el esquema propuesto para la red VLC y para la red óptica fronthaul. El Capítulo 2 presentó un transceptor de modulación óptica no coherente basado en una red neuronal artificial y un árbol de regresión de decisión. Se muestra que la regresión no lineal proporciona el mejor rendimiento del sistema, sobre la regresión lineal y polinomial, ya que ofrece una mejor extracción de características. Mientras que el transceptor basado en el árbol de regresión de decisión elimina la distorsión de recorte producida al recortar la señal transmitida sobre el canal óptico. El transceptor propuesto supera la compensación entre la eficiencia espectral y la potencia de la modulación óptica no coherente, además muestra un mejor rendimiento y una BER mejorada para un alto espaciamiento de subportadoras. Por otro lado, la reducción del espaciado entre subportadoras influye mucho en el esquema RDT. Mientras que en el capítulo 3 se presentó el esquema óptico ACO-FBMC para la modulación de detección directa. Hemos demostrado que el esquema propuesto elimina la interferencia de fotogramas propios y sufre la interferencia entre fotogramas. La interferencia entre tramas se elimina utilizando el receptor iterativo propuesto. Además, el ACO-FBMC mejora el rendimiento BER del ACO-OFDM con la forma de pulso rectangular perfecta y eliminando la emisión del banco de filtros fuera de la banda. Nuestro modelo de sistema tiene una mayor eficiencia espectral que el clásico ACO-OFDM, ya que FBMC muestra una mejor eficiencia espectral al eliminar el intervalo de guarda. Además, se ha demostrado que el ACO-FBMC con 8 factores superpuestos mejora el rendimiento BER del ACO-OFDM en 4 dB debido a la forma de pulso rectangular perfecta y la eliminación de la emisión fuera de banda del banco de filtros. En el capítulo 4, abordamos el problema de la gestión de interferencias en un sistema interior VLC con acceso multiusuario. El rendimiento del sistema aplicando la técnica SRF en comparación con UFR y PFR. Los resultados mostraron que el enfoque propuesto mejora el rendimiento del sistema en términos de rendimiento total del sistema, probabilidad de interrupción y SINR. Resuelve el problema de la alta SINR en el borde de la celda como lo experimenta UFR y mejora el rendimiento general del sistema en comparación con PFR.En el capítulo 5, propusimos la asignación RRH-BBU basada en un algoritmo de agrupamiento que apunta a minimizar el consumo de energía y el traspaso entre BBU. El algoritmo propuesto calcula la cantidad requerida de BBU instaladas para acomodar la carga de tráfico máxima, implementa el agrupamiento de series temporales como método de agrupamiento temporal y aplica el algoritmo DBSCAN para dividir cada clúster temporal en varios clústeres espaciales según la ubicación de la celda. Luego, el problema de asignar RRH de cada grupo se describe como un problema de optimización de empaque de contenedores para encontrar el número óptimo de BBU para cada grupo. El algoritmo propuesto ha sido validado utilizando CDR del mundo real de la ciudad de Milán y se verifica el mapa de uso del suelo de Milán publicado. Las señales de transferencia entre BBU se han mejorado mediante la asignación de RRH cercanos al mismo grupo espacial y la misma BBU, para evitar la transferencia entre BBU. Se muestra que el algoritmo reduce el consumo de energía total de la red desplegada actual en un 28,8 %, asignando todos los RRH activos a ciertas BBU en función de la carga de tráfico y apagando las BBU no asignadas.
ca
dc.format.extent
117 p.
ca
dc.language.iso
eng
ca
dc.publisher
Universitat Politècnica de Catalunya
dc.rights.license
L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/4.0/
ca
dc.rights.uri
http://creativecommons.org/licenses/by-nc-nd/4.0/
*
dc.source
TDX (Tesis Doctorals en Xarxa)
dc.subject.other
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació
ca
dc.title
Machine learning algorithms for 5G optical networks
ca
dc.type
info:eu-repo/semantics/doctoralThesis
dc.type
info:eu-repo/semantics/publishedVersion
dc.subject.udc
621.3
ca
dc.contributor.director
Prat Gomà, Josep Joan
dc.embargo.terms
cap
ca
dc.rights.accessLevel
info:eu-repo/semantics/openAccess
dc.description.degree
DOCTORAT EN TEORIA DEL SENYAL I COMUNICACIONS (Pla 2013)


Documents

TAIMB1de1.pdf

3.715Mb PDF

Aquest element apareix en la col·lecció o col·leccions següent(s)