Advanced network and mobile data traffic models and their application to cellular network optimization

Netzbetreiber sehen sich zunehmend mit der Erhöhung des mobilen Datenverkehrs, wovon Video-Streaming den größten Anteil haben wird, konfrontiert. Zudem verursachen räumlich-zeitliche Verkehrsschwankungen in Mobilfunknetzen lokale Kapazitätsengpässe, die mit steigender Interzell-Interferenz und schlechter Nutzerqualität einhergehen. Eine weitere Verdichtung der Netze und Fähigkeiten zu ihrer Selbstorganisation werden als wichtige Aspekte der zukünftigen fünften Mobilfunkgeneration angesehen, um solchen Problemen zu entgegnen. Allerdings werden Netzwerkmanagementlösungen durch die steigende Anzahl von Basisstationen und mobilen Endgeräten, z. B. für IoT- und MTC-Anwendungen, immer komplexer. Flow-Level-Modelle können helfen, großen Simulationsaufwand bei der Netzwerkplanung und -selbstoptimierung zu vermeiden und Lösungen dafür zu verbessern. In dieser Arbeit wird ein Flow-Level-Modell für Interferenz-gekoppelte, zellulare Mobilfunknetze durch den Aspekt der Zugangskontrolle verallgemeinert, sodass sich ein umfangreiches Werkzeug zur Bewertung solcher Netze hinsichtlich vieler Performanzmetriken ergibt. Solche Metriken umfassen beispielsweise die Verzögerungen der Videowiedergabe und die Wahrscheinlichkeit, dass der Videopuffer am Endgerät leer läuft. Die Datenverkehrsnachfrage wird als größter extrinsischer Einflussfaktor hinsichtlich der durch den Nutzer empfundenen Netzqualität identifiziert. Dies dient als Motivation, eine detaillierte Analyse der räumlichen Verkehrsverteilung in einem 3G-Netzwerk basierend auf gemessenen Call Traces durchzuführen. Es stellt sich heraus, dass, unter anderem, die Verkehrsdichte entsprechend einer Lognormal-Verteilung modelliert werden kann. Darauf aufbauend wird eine effiziente Methode entwickelt, um lognormal-verteilte und räumlich korrelierte Verkehrskarten zu generieren, welche, zusammen mit dem Flow-Level-Modell, ein effektives Design und eine zuverlässige Evaluierung von Netzoptimierungsalgorithmen ermöglicht. Dies wird anhand zweier Beispiele erläutert. In einem Beispiel wird ein Modell für Phased-Array-Antennen mit dem Flow-Level-Modell kombiniert und ein Algorithmus vorgeschlagen, welcher die Richtungen mehrerer Teilstrahlen je Antenne für eine Gruppe von Basisstationen optimiert. Es wird gezeigt, dass dieser Beamforming-Algorithmus herkömmlichen Antennenneigungswinkel-Optimierern hinsichtlich des Durchsatzes am Zellrand im Durchschnitt um den Faktor drei überlegen ist. Jedoch nimmt die Robustheit mit der Standardabweichung und dem räumlichen Korrelationsabstand des Verkehrs ab.