Publikationen

Nutzer der Mobilfunknetze wünschen und fordern eine Steigerung des Datendurchsatzes, die zur Erhöhung der Netzlast führt. Besonders seit der Einführung von LTE erhöht sich daher die Anzahl und Dichte der Zellen in Mobilfunknetzen. Dies führt zusätzlich zur Zunahme der Investitions- und Betriebskosten, sowie einer höheren Komplexität des Nerzbetriebs. Der Einsatz selbstorganisierter Netze (SONs) wird vorgeschlagen, um diese drei Herausforderungen zu bewältigen. Einige SON-Funktionen (SF) wurden sowohl von Seiten der Netzbetreiber als auch von den Standardisierungsgremien vorgeschlagen. Eine SF repräsentiert hierbei eine Netzfunktion, die automatisiert werden kann. Ein Beispiel ist die Optimierung der Robustheit des Netzes (Mobility Robustness Optimization, MRO) oder der Lastausgleich zwischen Funkzellen (Mobility Load Balancing, MLB). Die unterschiedlichen SON-Funktionen werden innerhalb eines Mobilfunknetzes eingesetzt, wobei sie dabei häufig gleiche oder voneinander abhängige Parameter optimieren. Zwangsläufig treten daher beim Einsatz paralleler SON-Funktionen Konflikte auf, die Mechanismen erfordern, um diese Konflikte aufzulösen oder zu minimieren. In dieser Dissertation werden Lösungen aufgezeigt und untersucht, um die Koordination der SON-Funktionen zu automatisieren und, soweit möglich, gleichmäßig zu verteilen. Im ersten Teil werden grundsätzliche Entwürfe für SFs evaluiert, um die SON-Koordination zu vereinfachen. Basierend auf der Beobachtung, dass die Steurung der SON-Funktion sich ähnlich dem generischen Q-Learning Problem verhält, werden die SFs als Q-Learning-Agenten entworfen. Dieser Ansatz wurde mit sehr positiven Ergebnissen auf zwei SFs (MRO und MLB) angewandt. Die als Q-Learning-Agenten entworfenen SFs werden für zwei unterschiedliche Ansätze der SON-Koordination evaluiert. Beide Koordinierungsansätze betrachten dabei die SON-Umgebung als ein Multi-Agenten-System. Der erste Ansatz basierend auf einer räumlich-zeitlichen Entkoppelung separiert die Ausführung von SF-Instanzen sowohl räumlich als auch zeitlich, um die Konflikte zwischen den SF-Instanzen zu minimieren. Der zweite Ansatz wendet kooperatives Lernen in Multi-Agenten-Systemen als automatisierten Lösungsansatz zur SON-Koordination an. Die einzelnen SF-Instanzen lernen anhand von Utility-Werten, die sowohl die eigenen Metriken als auch die Metriken der Peer-SF-Instanzen auswerten. Die Intention dabei ist, durch die erlernte Zustands-Aktions-Strategie Aktionen auszuführen, die das beste Resultat für die aktive SF, aber auch die geringste Auswirkung auf Peer-SFs gewährleisten. In der Evaluation des MRO-MLB-Konflikts zeigten beide Koordinierungsansätze sehr gute Resultate.