Başlık: 5G Ağlarında Ağ Veri Analitik ̇İşlevi
Özet: Dünyadaki kablosuz hücresel ağ, teknolojideki birçok ilerlemenin yardım için kendilerini sunma fırsatı bulduğu muazzam bir yapısal değişimden geçiyor. Şu anda uygulanmakta olan en yeni nesil kablosuz ağ olan 5G hücresel ağ, yeni ağ veri analitiği işlevi (NWDAF) ile yapay zekayı memnuniyetle karşılıyor. NWDAF, 5G'nin diğer bileşenlerinin kendi operasyonlarını iyileştirmek için bilgi talep edebileceği bir veri analizi mekanizmasıdır. Bu tezde, NWDAF'ın yapısı ve protokolleri anlatılmaktadır. 3. Nesil Ortaklık Projesi (3GPP) tarafından sağlanan teknik şartname dokümanlarından elde edilen alanlar kullanılarak 5G ağ veri seti oluşturulmuştur. Yapay veri setini gerçeğe yaklaştırmak için rastgele oluşturulmuş anomaliler eklenir. Birkaç makine öğrenimi (ML) algoritması, NWDAF'nin iki yönünü, yani ağ yükü tahmini ve anormallik algılamayı incelemek için eğitilmiştir. Doğrusal regresyon (LR), tekrarlayan sinir ağı (RNN) ve uzun kısa süreli bellek (LSTM) algoritmaları, ağ yükü tahmini için yapay veri seti ve gerçek bir kurumsal ağdan elde edilen bir veri seti kullanılarak uygulanmıştır ve eğitilmiştir. Ortalama mutlak hata ve yüzdesel ortalama mutlak hata performans ölçümleri, RNN ve LSTM'nin hem oluşturulan hem de gerçek hayattan toplanan veri setlerinde LR'den daha iyi performans gösterdiğini göstermiştir. LSTM, gerçek hayattan toplanan veri seti için en iyi performans gösteren algoritmadır. Lojistik regresyon ve ağaç tabanlı bir sınıflandırıcı olan XGBoost, anormallik tespiti için uygulanır ve alıcı işletim karakteristikleri eğrisi altındaki alanı en üst düzeye çıkarmak için yapay veri seti kullanılarak eğitilmiştir. Sonuçlar, ağaç tabanlı sınıflandırıcı XGBoost'un lojistik regresyondan daha iyi performans gösterdiğini ortaya çıkarmıştır. Bu tahminlerin, performansını artırmak için NWDAF aracılığıyla 5G hizmet tabanlı mimariye yardımcı olması bekleniyor.
Jüri:
Prof. Tuna Tuğcu (Thesis Supervisor)
Assoc. Prof. Ali Emre Pusane
Assist. Prof. Ahmet Teoman Naskali