@PhdThesis{dbt_mods_00026057,
  author = 	{Mwanje Dr.-Ing., Stephen Ssekiranda},
  title = 	{Coordinating Coupled Self-Organized Network Functions in Cellular Radio Networks},
  year = 	{2015},
  month = 	{May},
  day = 	{27},
  keywords = 	{Self-Organizing Networks; SON; SON Coordination; Q-learning; Concurrent cooperative Games; MRO; MLB},
  abstract = 	{Nutzer der Mobilfunknetze w{\"u}nschen und fordern eine Steigerung des
Datendurchsatzes, die zur Erh{\"o}hung der Netzlast f{\"u}hrt. Besonders seit der
Einf{\"u}hrung von LTE erh{\"o}ht sich daher die Anzahl und Dichte der Zellen in
Mobilfunknetzen. Dies f{\"u}hrt zus{\"a}tzlich zur Zunahme der Investitions- und
Betriebskosten, sowie einer h{\"o}heren Komplexit{\"a}t des Nerzbetriebs. Der
Einsatz selbstorganisierter Netze (SONs) wird vorgeschlagen, um diese drei
Herausforderungen zu bew{\"a}ltigen. Einige SON-Funktionen (SF) wurden sowohl
von Seiten der Netzbetreiber als auch von den Standardisierungsgremien
vorgeschlagen. Eine SF repr{\"a}sentiert 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 h{\"a}ufig gleiche oder voneinander abh{\"a}ngige
Parameter optimieren. Zwangsl{\"a}ufig treten daher beim Einsatz paralleler
SON-Funktionen	Konflikte auf, die Mechanismen erfordern, um diese
Konflikte aufzul{\"o}sen oder zu minimieren. In dieser Dissertation werden
L{\"o}sungen aufgezeigt und untersucht, um die Koordination der SON-Funktionen
zu automatisieren und, soweit m{\"o}glich, gleichm{\"a}{\{}{\backslash}ss{\}}ig zu verteilen.
Im ersten Teil werden grunds{\"a}tzliche Entw{\"u}rfe f{\"u}r SFs evaluiert, um die
SON-Koordination zu vereinfachen.  Basierend auf der Beobachtung, dass die
Steurung der SON-Funktion  sich {\"a}hnlich dem generischen Q-Learning Problem
verh{\"a}lt,  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 f{\"u}r zwei
unterschiedliche Ans{\"a}tze der SON-Koordination evaluiert. Beide
Koordinierungsans{\"a}tze betrachten dabei die SON-Umgebung als ein
Multi-Agenten-System. Der erste Ansatz basierend auf einer
r{\"a}umlich-zeitlichen Entkoppelung separiert die Ausf{\"u}hrung von
SF-Instanzen sowohl r{\"a}umlich als auch zeitlich, um die Konflikte zwischen
den SF-Instanzen zu minimieren. Der zweite Ansatz wendet kooperatives
Lernen in Multi-Agenten-Systemen als automatisierten L{\"o}sungsansatz 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 auszuf{\"u}hren, die das beste Resultat
f{\"u}r die aktive SF, aber auch die geringste Auswirkung auf Peer-SFs
gew{\"a}hrleisten. In der Evaluation des MRO-MLB-Konflikts zeigten beide
Koordinierungsans{\"a}tze sehr gute Resultate.},
  url = 	{https://www.db-thueringen.de/receive/dbt_mods_00026057},
  url = 	{http://uri.gbv.de/document/gvk:ppn:826110932},
  file = 	{:https://www.db-thueringen.de/servlets/MCRZipServlet/dbt_derivate_00031807:TYPE},
  language = 	{en}
}