Schwerpunkt Mobilkommunikation

Self-Organized Networks (SON):

  • KI-basierte SON-Funktionen
  • Fokus auf Mobilität und Inter-cell Optimierungsfunktionen wie: Mobility Robust Optimization (MRO), Mobility Load Balancing (MLB), Inter-Cell Interference Coordination (ICIC) und Coverage und Capacity Optimization (CCO)
  • Implizite Koordination zur Lösung des Konflikt-Managements zwischen SON-Funktionen
  • Radio resource management (RRM) für Ultra reliable low latency communication (URLLC) applications

Machine learning (ML):

  • Zero-touch ML framework für 4G/5G Simulationen
  • Machine learning basierend auf Recommendation Systems, Neural Networks, usw.
  • Federated learning für zusätzliche Sicherheit
  • Vertrauen in ML durch Explainable-AI
  • Computational offloading für Edge und Cloud Computing in Campus Netzwerken
  • Cognitive Network Management von Radio Resources, um eine höhere spektrale Effizienz zu erreichen, bei gleichzeitiger Beibehaltung der QoS-Anforderungen der  Applikationen

OpenRAN:

  • Aktives Mitglied der Open Networking Foundation (ONF) Community
  • Machine learning basierende xApps for SON/RRM
  • Adaptierte SON-Ffunktionen von MRO, MLB, CCO and ICIC
  • Lösungen für effektives Netzwerkmanagement

Radio Resource Management:

  • Funkressourcen-Management mit besonderem Fokus auf URLLC-Anwendungen, für die Auswahl von Multi-Numerologie, Mini-Slots, Funkressourcen, MCS-Mapping etc.
  • Hierarchische Radio Resource Zuordnung, z.B. D2D (Device-to-device) sub-granting Schemen, die als Lösung zur  Überwindung der entstandenen ineffizienten Funkressourcennutzung in der Overlay-D2D-Kommunikation gesehen werden.
  • D2D nutzende SON-Lösung, die die Auswirkungen von URLLC-Anwendungen auf die Netzwerkkapazität minimiert, basiert auf der gemeinsamen Nutzung der Funkressourcen des zellularen Netzwerks durch mehrere Device-to-Device (D2D)-Benutzer.
  • Autonome D2D-Ressourcenauswahlprotokolle für reduzierte Latenz und erhöhte spektrale Effizienz in einem Out-of-Coverage-Szenario
  • Slice-Management und Paket-Scheduling basierend auf maschinellem Lernen und anderen Optimierungslösungen