Machine Learning for QoE Enhancement in Future Wireless Networks

Abstract

Future wireless networks (FWNs) are expected to support the diversified network service requirements of emerging multimedia applications such as virtual reality (VR) and gaming video streaming, as well as innovative markets and business models such as vertical industries and multi-tenancy networks. Such a wide and heterogeneous range of services and devices requires the development of flexible, scalable and programmable user-centric wireless networks that provide connectivity according to demanding quality of service (QoS) requirements and ensure satisfactory levels of quality of experience (QoE) for end-users. The objective of this thesis is to propose a comprehensive application-oriented methodology for QoE enhancement in FWNs. The implementation is based on exploiting the advantages of machine learning and the open radio access network (Open RAN) architecture with respect to improving network efficiency and operation, as well as reducing overall capital and operational costs through automation, network virtualization, the use of open-source software, and embedded intelligence. More specifically, the proposed optimization framework is focused on the development of machine learning algorithms that will provide automation in the areas of network traffic management, radio resource allocation, network slicing, QoS monitoring, and QoE prediction, ensuring high levels of QoE for the considered scenarios of wireless VR applications and gaming video streaming.

Τα ασύρματα δίκτυα επόμενης γενιάς αναμένεται να υποστηρίζουν τις ποικίλες απαιτήσεις υπηρεσιών δικτύου των αναδυόμενων εφαρμογών πολυμέσων, όπως η εικονική πραγματικότητα και η ροή βίντεο παιχνιδιών, καθώς και καινοτόμες αγορές και επιχειρηματικά μοντέλα, όπως οι κάθετες βιομηχανίες και τα δίκτυα πολλαπλών μισθώσεων. Ένα τόσο ευρύ και ετερογενές φάσμα υπηρεσιών και συσκευών απαιτεί την ανάπτυξη ευέλικτων, επεκτάσιμων και προγραμματιζόμενων ασύρματων δικτύων με επίκεντρο τον χρήστη, τα οποία θα παρέχουν συνδεσιμότητα σύμφωνα με αυστηρές απαιτήσεις ποιότητας υπηρεσιών και θα εξασφαλίζουν ικανοποιητικά επίπεδα ποιότητας εμπειρίας για τους τελικούς χρήστες. Στόχος της παρούσας διατριβής είναι να προτείνει μια ολοκληρωμένη μεθοδολογία για την ενίσχυση της ποιότητας εμπειρίας στα ασύρματα δίκτυα επόμενης γενιάς προσανατολισμένη στις εφαρμογές. Η υλοποίηση βασίζεται στην αξιοποίηση των πλεονεκτημάτων της μηχανικής μάθησης και των δικτύων ραδιοπρόσβασης ανοικτής αρχιτεκτονικής ως προς τη βελτίωση της αποδοτικότητας και της λειτουργίας του δικτύου, καθώς και τη μείωση του συνολικού κεφαλαιουχικού και λειτουργικού κόστους μέσω της αυτοματοποίησης, της εικονικοποίησης του δικτύου, της χρήσης λογισμικού ανοικτού κώδικα και της ενσωματωμένης νοημοσύνης. Πιο συγκεκριμένα, το προτεινόμενο πλαίσιο βελτιστοποίησης επικεντρώνεται στην ανάπτυξη αλγορίθμων μηχανικής μάθησης που θα παρέχουν αυτοματοποίηση στους τομείς της διαχείρισης της δικτυακής κίνησης, της κατανομής των ραδιοπόρων, του διαμερισμού του δικτύου, της παρακολούθησης της ποιότητας υπηρεσιών και της πρόβλεψης της ποιότητας εμπειρίας, εξασφαλίζοντας υψηλά επίπεδα ποιότητας εμπειρίας για τα εξεταζόμενα σενάρια των ασύρματων εφαρμογών εικονικής πραγματικότητας και της ροής βίντεο παιχνιδιών.