LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini

CİCİOĞLU, MURTAZA

doi:10.35193/bseufbd.840927

LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini

Murtaza CİCİOĞLU (Bursa Uludağ Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Bursa, Türkiye)

Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi

2 1

Yıl: 2021 Cilt: 8 Sayı: 1 Sayfa Aralığı: 90 - 99 Metin Dili: Türkçe DOI: 10.35193/bseufbd.840927 İndeks Tarihi: 29-11-2021

LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini

Öz:

Bu çalışmada, Uzun Kısa-Vadeli Hafıza (LSTM) tabanlı derin sinir ağı ile beşinci nesil küçük hücre ağlarında eldeğiştirme (handover, HO) tahminlerini gerçekleştiren yeni bir model geliştirilmiştir. İlk olarak HO tahminindeeğitim için kullanılacak olan veri seti Riverbed Modeler benzetim yazılımında tasarlanan benzetim senaryoları ileoluşturulmuştur. Bu senaryolar aracılığıyla sinir ağının veri kümesinde kullanılacak üç adet giriş (RSSI, SNR veJitter) değişkeni ve bir adet çıkış (istenen değer) değişkeni elde edilmiştir. Bu veri seti makine öğrenmesialgoritmalarından LSTM, SVM, Tree ve Lineer Regresyon teknikleri ile eğitilmiştir. LSTM tabanlı derin sinir ağıdiğer regresyon algoritmaları ile karşılaştırılmış ve daha yüksek başarıma sahip olduğu tespit edilmiştir. LSTMiçin eğitilen modelin test sonuçları incelendiğinde; $R^2$ 0.94, MAE 0.3315, MSE 0.3670 ve RMSE değeri 0.6058olarak bulunmuştur. LSTM tabanlı derin sinir ağlarının, regresyon işlemlerinde yüksek başarım gösterdiğigörülmüştür. Sonuç olarak önerilen regresyon modeli ile 5G küçük hücre ağlarında HO kararlarının tahminedilebildiği gösterilmiştir.

Anahtar Kelime:

Handover Prediction in Fifth Generation Small Cell Networks with LSTM-Based Deep Neural Network

Öz:

In this study, a new model is developed that performs handover prediction in fifth generation small cell networkswith Long Short Term Memory (LSTM) based deep neural networks. Firstly, the data set to be used for trainingin handover prediction was created with simulation scenarios designed in Riverbed Modeler. Through thesescenarios, three input (RSSI, SNR and Jitter) variables and one output variable (desired value) were obtained tobe used in the data set of the neural network. This data set was trained with machine learning algorithms LSTM,SVM, Tree, and Linear Regression techniques. LSTM-based deep neural network was compared with otherregression algorithms and was found to have higher performance. When the test results of the trained model forLSTM are examined; $R^2$ 0.94, MAE 0.3315, MSE 0.3670, and RMSE value 0.6058 was found. It was observedthat LSTM-based deep neural networks show high performance in regression processes. As a result, study showsthat handover decisions can be predicted in 5G small cell networks with the proposed regression model.

Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

[1] Çalhan, A. & Cicioğlu, M. (2020). Handover scheme for 5G small cell networks with non-orthogonal multiple access. Computer Networks, 183, 107601.
[2] Cicioğlu, M. (2020). Performance Analysis of Handover Management in 5G Small Cells, Computer Standard & Interfaces, 75, 103502.
[3] Muirhead, D., Imran, M. A. & Arshad, K. (2016). A Survey of the Challenges, Opportunities and Use of Multiple Antennas in Current and Future 5G Small Cell Base Stations, IEEE Access, 4, 2952–2964.
[4] Ericsson. (2020). Ericsson Mobility Report. https://www.ericsson.com/4adc87/assets/local/mobilityreport/documents/2020/november-2020-ericsson-mobility-report.pdf (accessed Dec. 10, 2020).
[5] De Ree, M., Mantas, G., Radwan, A., Mumtaz, S., Rodriguez, J. & Otung, I. E. (2019). Key Management for Beyond 5G Mobile Small Cells: A Survey, IEEE Access, 7, 59200–59236.
[6] Small Cell Forum. (2014). Small cells - what’s the big idea? Femtocells are expanding beyond the home. https://scf.io/en/documents/030_-_Small_cells_big_ideas.php (accessed May 24, 2020).
[7] Bilen, T., Canberk, B. & Chowdhury, K. R. (2017). Handover Management in Software-Defined Ultra-Dense 5G Networksç IEEE Network, 31(4), 49–55.
[8] Çeken, C., Yarkan, S. & Arslan, H. (2010). Interference aware vertical handoff decision algorithm for quality of service support in wireless heterogeneous networks. Computer Networks, 54(5), 726–740.
[9] Çalhan, A. & Çeken, C. (2012). An Optimum Vertical Handoff Decision Algorithm Based on Adaptive Fuzzy Logic and Genetic Algorithm. Wireless Personal Communications, 64(4), 647–664.
[10] Fan, C., Li, B., Zhao, C. & Liang, Y.-C. (2020). Regret Matching Learning Based Spectrum Reuse in Small Cell Networks. IEEE Transactions on Vehicular Technology, 69(1), 1060–1064.
[11] Xie, J., Yu, F. R., Huang, T., Xie, R., Liu, J., Wang, C., & Liu, Y. (2018). A survey of machine learning techniques applied to software defined networking (SDN): Research issues and challenges. IEEE Communications Surveys & Tutorials, 21(1), 393-430.
[12] Alawe, I., Ksentini, A., Hadjadj-Aoul, Y. & Bertin, P. (2018). Improving traffic forecasting for 5G core network scalability: A machine learning approach. IEEE Network, 32(6), 42-49.
[13] Luo, C., Ji, J., Wang, Q., Chen, X., & Li, P. (2018). Channel state information prediction for 5G wireless communications: A deep learning approach. IEEE Transactions on Network Science and Engineering, 7(1), 227-236.
[14] Aljeri, N. & Boukerche, A. (2019). A two-tier machine learning-based handover management scheme for intelligent vehicular networks. Ad Hoc Networks, 94, 101930.
[15] Zeljković, E., Slamnik-Kriještorac, N., Latré, S. & Marquez-Barja, J. M. (2019). ABRAHAM: machine learning backed proactive handover algorithm using SDN. IEEE Transactions on Network and Service Management, 16(4), 1522-1536.
[16] Sun, Y., Jiang, W., Feng, G., Klaine, P. V., Zhang, L., Imran, M. A. & Liang, Y. C. (2020). Efficient handover mechanism for radio access network slicing by exploiting distributed learning. IEEE Transactions on Network and Service Management, 17(4), 2620-2633.
[17] Alpaydin, E. (2014) Introduction to Machine Learning Ethem Alpaydin. MIT press, Cambridge, Massachusetts, ABD, 616.
[18] Akgün, D. (2020). An Evaluation of VGG16 Binary Classifier Deep Neural Network for Noise and Blur Corrupted Images. Sakarya University Journal of Computer and Information Sciences, 3(3), 264-271.
[19] Şenturk, Ü., Polat, K. & Yücedağ, I. (2019). A Novel Blood Pressure Estimation Method with the Combination of Long Short Term Memory Neural Network and Principal Component Analysis Based on PPG Signals. In The International Conference on Artificial Intelligence and Applied Mathematics in Engineering, 20-22 April, Antalya, Turkey, 868-876.
[20] Çavuşlu, M. A., Karakuzu, C., Şahin, S., & Yakut, M. (2011). Neural network training based on FPGA with floating point number format and it’s performance. Neural Computing and Applications, 20(2), 195-202.
[21] Yüzgeç, U., Becerikli, Y. & Turker, M. (2008). Dynamic neural-network-based model-predictive control of an industrial baker's yeast drying process. IEEE Transactions on Neural Networks, 19(7), 1231-1242.
[22] The Mathworks Inc. (2016). MATLAB – MathWorks. https://www.mathworks.com/products/matlab.
[23] Riverbed Technology. (2020) Riverbed Modeler Software. https://www.riverbed.com/gb/products/steelcentral/steelcentral-riverbed-modeler.html (accessed May 24, 2020).

APA	CİCİOĞLU M (2021). LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini. , 90 - 99. 10.35193/bseufbd.840927
Chicago	CİCİOĞLU MURTAZA LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini. (2021): 90 - 99. 10.35193/bseufbd.840927
MLA	CİCİOĞLU MURTAZA LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini. , 2021, ss.90 - 99. 10.35193/bseufbd.840927
AMA	CİCİOĞLU M LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini. . 2021; 90 - 99. 10.35193/bseufbd.840927
Vancouver	CİCİOĞLU M LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini. . 2021; 90 - 99. 10.35193/bseufbd.840927
IEEE	CİCİOĞLU M "LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini." , ss.90 - 99, 2021. 10.35193/bseufbd.840927
ISNAD	CİCİOĞLU, MURTAZA. "LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini". (2021), 90-99. https://doi.org/10.35193/bseufbd.840927

APA	CİCİOĞLU M (2021). LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 8(1), 90 - 99. 10.35193/bseufbd.840927
Chicago	CİCİOĞLU MURTAZA LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi 8, no.1 (2021): 90 - 99. 10.35193/bseufbd.840927
MLA	CİCİOĞLU MURTAZA LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, vol.8, no.1, 2021, ss.90 - 99. 10.35193/bseufbd.840927
AMA	CİCİOĞLU M LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi. 2021; 8(1): 90 - 99. 10.35193/bseufbd.840927
Vancouver	CİCİOĞLU M LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi. 2021; 8(1): 90 - 99. 10.35193/bseufbd.840927
IEEE	CİCİOĞLU M "LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini." Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 8, ss.90 - 99, 2021. 10.35193/bseufbd.840927
ISNAD	CİCİOĞLU, MURTAZA. "LSTM Tabanlı Derin Sinir Ağı ile Beşinci Nesil KüçükHücre Ağlarında El Değiştirme Tahmini". Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi 8/1 (2021), 90-99. https://doi.org/10.35193/bseufbd.840927