Analyse de l’agrégation des stations de base des réseaux cellulaires et des stratégies de caching associées

Clustering Nature of Base Stations and Traffic Demands in Cellular Networks and the Corresponding Caching and Multicast Strategies

• Auteur / Autrice : Yifan Zhou
• Direction : Yves Louët, Honggang Zhang
• Type : Thèse de doctorat
• Discipline(s) : Télécommunications (STIC)
• Date : Soutenance le 03/07/2018
• Etablissement(s) : CentraleSupélec en cotutelle avec Zhejiang University (Hangzhou, Chine)
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Institut d'Électronique et de Télécommunications (Rennes)
• Jury : Président / Présidente : Jacques Palicot
• Jury : Examinateurs / Examinatrices : Aline Carneiro Viana, Xianfu Chen
• Jury : Rapporteurs / Rapporteuses : Youping Zhao, Aline Carneiro Viana

Mots clés

Mots clés contrôlés

Poisson, Distribution de

Stations de base (radio)

Réseaux téléphoniques numériques

Mots clés libres

Réseaux cellulaires

Loi alpha-stable

Répartition

Stations de base

Caching

Clustering nature

Base stations

Traffic demand

Collaborative caching

Dynamic multicast

Résumé

Les réseaux cellulaires traditionnels ont évolué de la première génération à base de communications analogiques à la quatrième génération de communications numériques, où les technologies de la couche physique se sont améliorées de façon à considérablement augmenter la capacité du réseau. Selon la théorie de Shannon, les gains apportés par la couche physique vont être progressivement saturés, ce qui ne permet pas de suivre l'augmentation rapide de la demande de trafic des utilisateurs dans l'ère actuelle de l'Internet mobile. Ces dernières années, les communautés universitaires ont commencé à utiliser les données réelles pour analyser le déploiement de l'infrastructure des réseaux sans fil et la demande de trafic des utilisateurs mobiles, afin de tirer parti des modèles statistiques sous-jacents. Dans le même temps, avec la récente montée en puissance des techniques d'apprentissage automatique, l’analyse de données est considérée comme le prochain verrou de croissance économique. Ainsi, l'industrie accorde de plus en plus d'attention à l'accumulation de données et les services liés à l'exploitation des connaissances et les opérateurs de télécommunications commencent à prendre conscience de l'importance croissante des données enregistrées à partir de leurs propres réseaux. Par conséquent, le progrès technologique axé sur les données réelles est considéré comme une orientation prometteuse pour la prochaine évolution des réseaux cellulaires.Dans cette thèse, nous avons tout d'abord passé en revue les mesures de données réelles issues d’opérateurs dans le chapitre 2 qui non seulement mettent en lumière l'importance de l'analyse de données réelles, mais ouvrent également la voie à la possibilité d’améliorer les performances de service des réseaux cellulaires. Dans cette analyse, nous avons conclu qu'il existe un modèle périodique pour l'hypothèse de trafic temporel de grande zone de couverture dans les réseaux cellulaires, tandis que pour une cellule unique, une distribution de type « heavy tail » caractérise la caractérisation temporelle et spatiale. Ce phénomène de déséquilibre apparaît plus significativement dans la durée de l'appel, dans les demandes d'arrivée et la préférence de contenu des utilisateurs mobiles.Ensuite, sur la base d'une grande quantité de données réelles collectées à partir des réseaux cellulaires en fonctionnement, nous avons effectué une identification à grande échelle sur la modélisation spatiale des stations de base (BS) dans le chapitre 3. Selon les résultats de cet ajustement, nous avons vérifié l'inexactitude de la distribution de Poisson pour les emplacements de BS, et mise en évidence le regroupement dans le déploiement de BS dans les réseaux cellulaires. Cependant, bien que les modèles de regroupement typiques aient amélioré la précision de la modélisation, ils ne sont pas encore valides pour reproduire fidèlement le déploiement pratique des BS, ce qui conduit à la caractérisation de la densité spatiale de BS.Dans le chapitre 4, nous avons caractérisé la densité du déploiement BS et de la demande de trafic, à la fois dans le domaine spatial et mais aussi dans le domaine temporel. En accord avec les phénomènes de type « heavy tail » du chapitre 2, nous avons trouvé que la distribution α-Stable était le modèle le plus précis pour les densités spatiales des BS et de la distribution de trafic, entre lesquelles une dépendance linéaire est révélée en analysant les données réelles. De plus, les exactitudes des lois de puissance et lognormales pour la longueur des paquets et l'heure d'arrivée des requêtes des utilisateurs sont vérifiées respectivement, ce qui conduit de manière convaincante à la distribution α-Stable du volume de trafic agrégé temporellement au niveau BS.[...]

Traditional cellular networks have evolved from the first generation of analog communications to the current fourth generation of digital communications where iteratively enhanced physical layer technologies have greatly increased the network capacity. According to Shannon's theory, the technical gains brought by physical layer has gradually become saturated, which cannot match the rapid increase of user traffic demand in current mobile internet era, thus calls for another path of evolution, i.e., digging into the traffic demand of mobile users. In recent years, the academic communities have begun to use the real data to analyze the infrastructure deployment of wireless networks and the traffic demand of mobile users, in order to make benefits from the underlying statistical patterns. At the same time, along with the recent rise of machine learning technics, data-driven service is considered as the next economic growth point. Thus the industry is putting more and more attention on data accumulation and knowledge mining related services and telecommunication operators are coming to realize the increasing importance of the recorded data from their own networks. Therefore, the real-data-driven technology advancement is considered as a promising direction for the next evolution of cellular networks.In this thesis, we firstly gave a comprehensive review of the state-of-the-art real data measurements in Chapter 2 which not only sheds light on the importance of real data analysis, but also paves way for its reasonable usage to improve the service performance of cellular networks. From the survey, we concluded that there exhibits a periodic pattern for the temporal traffic assumption of large coverage area in cellular networks, while for single cell, a heavy-tailed distribution is widespread across the temporal and spatial characterization. Furthermore, this imbalance phenomenon emerges more significantly in the call duration, request arrivals and content preference of mobile users.Then, based on a large amount of real data collected from on-operating cellular networks, we conducted a large-scale identification on spatial modeling of base stations (BSs) in Chapter 3. According to the fitting results, we verified the inaccuracy of Poisson distribution for BS locations, and uncovered the clustering nature of BS deployment in cellular networks. However, although typical clustering models have improved the modeling accuracy but are still not qualified to accurately reproduce the practical BSs deployment, which leads to the spatial density characterization of BS.In Chapter 4, we tried to characterize the density of BS deployment and traffic demand, in both spatial domain and temporal dimensions. In accordance with the heavy-tailed phenomenons in Chapter 2, we found that the α-Stable distribution is the most accurate model for the spatial densities of BSs and traffic consumption, between which a linear dependence is revealed through real data examination. Moreover, the accuracies of power-law and lognormal distributions for the packet length and inter-arrival time of user requests are verified, respectively, which convincingly leads to the α-Stable distribution of temporally aggregated traffic volume on BS level.[...]