Advanced Mobility Robustness Optimization Models in Future Mobile Networks Based on Machine Learning Solutions

Abstract

Les réseaux hétérogènes ultra-denses (HetNets) sont des scénarios de déploiement à l'avènement de la cinquième génération (5G) et au-delà des générations de réseaux. Un nombre massif de petites stations de base (SBS) et d'appareils connectés ont augmenté de manière exponentielle. Cela a entraîné par la suite une augmentation de plusieurs problèmes de gestion de la mobilité qui nécessitent des techniques d'optimisation pour éviter la dégradation des performances. L'apprentissage automatique (ML) est une approche prometteuse pour les futurs réseaux de communication mobile (5G et au-delà). Il a la capacité d'améliorer l'efficacité des réseaux hétérogènes et décentralisés complexes. Le ML s'est avéré important dans le domaine de la gestion de la mobilité car il optimise les paramètres de contrôle de transfert (HCP) sur divers environnements dynamiques. À la connaissance des auteurs, aucune enquête complète ne discute en profondeur des algorithmes de ML de pointe dans les fonctions d'optimisation de la robustesse de la mobilité (MRO). Cependant, chaque algorithme résumé dans cette étude comprend le scénario de déploiement, le type de ML, la méthodologie utilisée, les critères, les professionnels de la santé, les indicateurs clés de performance (KPI), les simulateurs et les réalisations qui peuvent aider les chercheurs pour de futures investigations dans les fonctions MRO. En outre, cette étude sert de guide dans la sélection des algorithmes d'optimisation appropriés en fonction des résultats de chaque algorithme. En outre, cette étude a présenté les types courants de ML et les techniques utilisées pour chaque type afin d'optimiser les HCP des fonctions MRO. En outre, les topologies de réseau et sensibles à la mobilité élevée sont présentées dans la fonction MRO pour d'autres améliorations du système. En outre, l'enquête met en évidence plusieurs problèmes potentiels pour les recherches à venir et fournit des orientations futures pour résoudre les problèmes des réseaux sans fil de prochaine génération.Las redes heterogéneas ultradensas (HetNets) son escenarios de despliegue en el advenimiento de la quinta generación (5G) y más allá de las generaciones de redes. Un número masivo de pequeñas estaciones base (SBS) y dispositivos conectados han aumentado exponencialmente. Esto ha llevado posteriormente a un aumento de varios problemas de gestión de la movilidad que requieren técnicas de optimización para evitar la degradación del rendimiento. El aprendizaje automático (ML) es un enfoque prometedor para las futuras redes de comunicación móvil (5G y más allá). Tiene la capacidad de mejorar la eficiencia de redes heterogéneas y descentralizadas complicadas. El ML ha demostrado ser significativo en el campo de la gestión de la movilidad, ya que optimiza los parámetros de control de traspaso (HCP) en varios entornos dinámicos. Según el mejor conocimiento de los autores, no hay una encuesta exhaustiva que discuta profundamente los algoritmos de ML de vanguardia en las funciones de optimización de la robustez de la movilidad (MRO). Sin embargo, cada algoritmo resumido en este estudio incluye el escenario de implementación, el tipo de ML, la metodología utilizada, los criterios, los HCP, los indicadores clave de rendimiento (KPI), los simuladores y los logros que pueden ayudar a los investigadores para futuras investigaciones en las funciones de MRO. Además, este estudio sirve de guía en la selección de algoritmos de optimización adecuados según los resultados de cada algoritmo. Además, este estudio presentó los tipos comunes de ML y las técnicas utilizadas de cada tipo para optimizar los HCP de las funciones de MRO. Además, las topologías de red y de alta movilidad se presentan en la función MRO para mejoras adicionales del sistema. Además, la encuesta destaca varios problemas potenciales para las próximas investigaciones y proporciona direcciones futuras para abordar los problemas de las redes inalámbricas de próxima generación.Ultra-dense heterogeneous networks (HetNets) are deployment scenarios in the advent of fifth generation (5G) and beyond network generations. A massive number of small base stations (SBSs) and connected devices have been exponentially increasing. This has subsequently led to a rise of several mobility management issues which require optimization techniques to avoid performance degradation. Machine learning (ML) is a promising approach for future mobile communication networks (5G and beyond). It has the ability of improving the efficiency of complicated heterogeneous and decentralized networks. ML has proven to be significant in the mobility management field since it optimizes handover control parameters (HCPs) over various dynamic environments. To the best of the authors' knowledge, no comprehensive survey deeply discussing a state-of-the-art ML algorithms in mobility robustness optimization (MRO) functions. However, each summarized algorithm in this study includes deployment scenario, ML type, methodology used, criteria, HCPs, key performance indicators (KPIs), simulators, and achievements which can assist researchers for future investigations in MRO functions. In addition, this study serves as a guide in the selection of proper optimization algorithms according to the outcomes of each algorithm. Furthermore, this study presented the common types of ML and the techniques used from each type to optimize the HCPs of the MRO functions. Moreover, high-mobility-aware and network topologies are presented in MRO function for further system enhancements. Besides, the survey further highlights several potential problems for upcoming research and provides future directions to address the issues of next generation wireless networks.الشبكات غير المتجانسة فائقة الكثافة (HetNets) هي سيناريوهات نشر في ظهور الجيل الخامس (5G) وأجيال الشبكات الأخرى. يتزايد عدد كبير من المحطات القاعدية الصغيرة (SBSs) والأجهزة المتصلة بشكل كبير. وقد أدى ذلك لاحقًا إلى ظهور العديد من مشكلات إدارة التنقل التي تتطلب تقنيات تحسين لتجنب تدهور الأداء. يعد التعلم الآلي (ML) نهجًا واعدًا لشبكات الاتصالات المتنقلة المستقبلية (5G وما بعدها). لديها القدرة على تحسين كفاءة الشبكات المعقدة غير المتجانسة واللامركزية. أثبت التعلم الآلي أنه مهم في مجال إدارة التنقل لأنه يحسن معايير التحكم في التسليم (HCPs) عبر بيئات ديناميكية مختلفة. على حد علم المؤلفين، لا يوجد مسح شامل يناقش بعمق أحدث خوارزميات التعلم الآلي في وظائف تحسين متانة التنقل (MRO). ومع ذلك، تتضمن كل خوارزمية موجزة في هذه الدراسة سيناريو النشر، ونوع التعلم الآلي، والمنهجية المستخدمة، والمعايير، وأخصائيي الرعاية الصحية، ومؤشرات الأداء الرئيسية، والمحاكاة، والإنجازات التي يمكن أن تساعد الباحثين في التحقيقات المستقبلية في وظائف الصيانة والإصلاح والتشغيل. بالإضافة إلى ذلك، تعمل هذه الدراسة كدليل في اختيار خوارزميات التحسين المناسبة وفقًا لنتائج كل خوارزمية. علاوة على ذلك، قدمت هذه الدراسة الأنواع الشائعة من غسل الأموال والتقنيات المستخدمة من كل نوع لتحسين أخصائيي الرعاية الصحية لوظائف الصيانة والإصلاح والتشغيل. علاوة على ذلك، يتم تقديم طبولوجيا عالية الوعي بالتنقل والشبكة في وظيفة الصيانة والإصلاح والتشغيل لمزيد من التحسينات على النظام. إلى جانب ذلك، يسلط الاستطلاع الضوء على العديد من المشاكل المحتملة للبحوث القادمة ويوفر اتجاهات مستقبلية لمعالجة قضايا الشبكات اللاسلكية من الجيل التالي.