5G SA -verkon mittausdatan klusteroinnin mahdollisuudet vianetsinnän tukena
Ville, Herajärvi (2026)
2026
Tietojenkäsittelyopin maisteriohjelma - Master's Programme in Computer Science
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
Hyväksymispäivämäärä
2026-02-26
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202602252805
https://urn.fi/URN:NBN:fi:tuni-202602252805
Tiivistelmä
Viidennen sukupolven matkapuhelinverkot (5G) on suunniteltu vastaamaan kasvaneisiin tiedonsiirtotarpeisiin sekä pienentämään viivettä. Arkkitehtuurin monimutkaistuessa myös verkkojen tuottaman suorituskyky- ja signalointimittausdatan määrä kasvaa, minkä vuoksi sen manuaalinen käsittely on vaikeaa. Tämän vuoksi verkon suorituskykyä analysoidaan yhä useammin koneoppimismenetelmien avulla. Tässä työssä tutkittiin, voidaanko 5G SA (Standalone) -verkon mittausdatan klusteroinnilla tunnistaa radio-olosuhteisiin liittyviä käyttäytymismalleja sekä havaita mahdollisia verkon poikkeamia ilman ennalta määritettyjä luokkia. Työn tavoitteena oli selvittää, voidaanko menetelmää hyödyntää vianetsinnän tukena.
Työ toteutettiin yhteistyössä Nokian kanssa, ja siinä käytettiin Nokian 5G SA -testiverkosta kerättyjä periodical RTT (Round-Trip-Time) -mittausraportteja. Mittausraporteista valittiin analyysiin soveltuvat mittausparametrit, minkä jälkeen aineisto esikäsiteltiin ja skaalattiin klusterointia varten. Tämän jälkeen dataa klusteroitiin alustavasti kolmella eri klusterointialgoritmilla: Kmeans-, DBSCAN- ja HDBSCAN. Klusterointituloksia vertailtiin pääkomponenttianalyysin avulla, jota käytettiin tulosten havainnollistamiseen kaksiulotteisessa avaruudessa. Lopullinen klusterointimenetelmä valittiin tulosten rakenteen, vakauden ja tulkittavuuden perusteella. Valitulle menetelmälle tehtiin lisäksi parametrien hienosäätö, minkä jälkeen muodostuneita klustereita analysoitiin tarkemmin. Suuren aineistomäärän vuoksi analyysiprosessissa hyödynnettiin GPUkiihdytettyjä työkaluja.
Tulokset osoittivat, että HDBSCAN-algoritmi soveltui parhaiten käytetyn mittausdatan klusterointiin. Algoritmi tunnisti aineistosta kahdeksan rakenteellisesti vakaata klusteria, jotka kuvasivat erilaisia radio-olosuhteiden, viiveen ja virhetilanteiden yhdistelmiä. Klusterointi paljasti myös poikkeavia käyttäytymismalleja, kuten korkean virhesuhteen hyvissä radio-olosuhteissa, joita olisi vaikea havaita tarkastelemalla yksittäisiä mittausarvoja.
Johtopäätöksenä voidaan todeta, että klusterointiin perustuva analyysi tarjoaa toimivan keinon 5G SA -verkon mittausdatan ryhmittelyyn ja piilevien käyttäytymismallien tunnistamiseen. Menetelmä osoittautui lupaavaksi työkaluksi vianetsinnän ja verkon suorituskyvyn analysoinnin tukena.
Työ toteutettiin yhteistyössä Nokian kanssa, ja siinä käytettiin Nokian 5G SA -testiverkosta kerättyjä periodical RTT (Round-Trip-Time) -mittausraportteja. Mittausraporteista valittiin analyysiin soveltuvat mittausparametrit, minkä jälkeen aineisto esikäsiteltiin ja skaalattiin klusterointia varten. Tämän jälkeen dataa klusteroitiin alustavasti kolmella eri klusterointialgoritmilla: Kmeans-, DBSCAN- ja HDBSCAN. Klusterointituloksia vertailtiin pääkomponenttianalyysin avulla, jota käytettiin tulosten havainnollistamiseen kaksiulotteisessa avaruudessa. Lopullinen klusterointimenetelmä valittiin tulosten rakenteen, vakauden ja tulkittavuuden perusteella. Valitulle menetelmälle tehtiin lisäksi parametrien hienosäätö, minkä jälkeen muodostuneita klustereita analysoitiin tarkemmin. Suuren aineistomäärän vuoksi analyysiprosessissa hyödynnettiin GPUkiihdytettyjä työkaluja.
Tulokset osoittivat, että HDBSCAN-algoritmi soveltui parhaiten käytetyn mittausdatan klusterointiin. Algoritmi tunnisti aineistosta kahdeksan rakenteellisesti vakaata klusteria, jotka kuvasivat erilaisia radio-olosuhteiden, viiveen ja virhetilanteiden yhdistelmiä. Klusterointi paljasti myös poikkeavia käyttäytymismalleja, kuten korkean virhesuhteen hyvissä radio-olosuhteissa, joita olisi vaikea havaita tarkastelemalla yksittäisiä mittausarvoja.
Johtopäätöksenä voidaan todeta, että klusterointiin perustuva analyysi tarjoaa toimivan keinon 5G SA -verkon mittausdatan ryhmittelyyn ja piilevien käyttäytymismallien tunnistamiseen. Menetelmä osoittautui lupaavaksi työkaluksi vianetsinnän ja verkon suorituskyvyn analysoinnin tukena.