Search

The prediction of wireless network parameters can help to facilitate proactive resource allocation solutions not only in cellular networks but also in enterprise networks. In this thesis, temporal and spatial analysis of network traffic using real traffic data of an enterprise network are presented, where we use three different machine learning (ML-based) methods and two different classical methods for temporal forecasting traffic usage. The results show that no universal best forecasting method can predict the traffic usage of every AP in an enterprise wireless network. The ML-based combined models are also used for spatio-temporal forecasting, improving the forecasting performance of single AP traffic usage. However, analyzing and predicting only network layer traffic data is not enough to execute decisions for resource allocation since the channels utilized in enterprise networks are shared unlicensed channels. Therefore, analyzing and forecasting the physical layer data of a channel are also investigated. In this thesis, we also improved the performance of conventional ML-based methods for time series forecasting by proposing a features-like grid training data structure which uses historical data as features. After proving that physical layer data has more predictive power in the time series forecasting aspect with all forecasting models, physical layer data transmit power (TP) and interference prediction are applied in spectrum sharing with a radar system to improve the secure radar protection and efficient transmission of APs. In particular, weather radar operating in the 5.6 GHz band is considered a primary system and the secondary system is an enterprise network consisting of APs in a university campus. First, the transmit power time series of APs in the campus are modeled with multinomial distribution based on real collected data. Then, the aggregated interference due to the transmissions from the APs at the radar is predicted using LSTM with Monte Carlo (MC) dropout by considering model uncertainty. Finally, an efficient sharing and radar protection (ESRP) system based on two algorithms is proposed by using an averaged and predicted upper limit interference time series. The results show that the proposed ESRP system with an upper limit of interference prediction ensures radar protection with better throughput than the conventional radar protection systems. Moreover, better radar protection can be achieved with a small trade-off for the throughput of the secondary users by adjusting the MC dropout value used in the ESRP system. Tiivistelmä Langattoman verkon parametrien ennustaminen voi auttaa edistämään ennakoivia resurssien allokointiratkaisuja myös yritysverkoissa. Työssä esitetään verkkoliikenteen ajallinen ja spatiaalinen analyysi yritysverkon todellisen liikennedatan avulla. Käytämme kolmea koneoppimismenetelmää (ML) ja kahta klassista menetelmää liikenteen käytön ajalliseen ennustamiseen. Tulokset osoittavat, että ei ole olemassa yhtä yleismaailmallista parasta ennustemenetelmää, jolla voidaan ennustaa jokaisen tukiaseman liikenteen käyttöä yrityksen langattomassa verkossa. ML-pohjaisia yhdistettyjä malleja käytetään myös ajallispaikalliseen ennustamiseen, mikä paransi yhden tukiaseman liikenteen käytön ennustamista. Pelkän verkkokerroksen liikennetietojen analysointi ja ennustaminen ei kuitenkaan riitä resurssien allokointipäätösten suorittamiseen, koska yritysverkoissa käytettävät kanavat ovat jaettuja lisensoimattomia kanavia. Siksi tutkitaan myös kanavan fyysisen kerroksen datan analysointia ja ennustamista. Paransimme myös perinteisten ML-pohjaisten menetelmien suorituskykyä aikasarjaennusteissa ehdottamalla uutta tietorakennetta oppimiseen, joka käyttää ominaisuuksina historiallisia tietoja. Sen jälkeen, kun on todistettu, että fyysisen kerroksen tiedoilla on enemmän ennustusvoimaa aikasarjan ennustamisessa kaikissa ennustemalleissa, fyysisen kerroksen datan lähetystehoa (TP) ja häiriöennustetta käytetään spektrin jakamisessa tutkan kanssa tutkasuojauksen ja tukiasemien tehokkaan tiedonsiirron parantamiseksi. Erityisesti 5,6 GHz:n kaistalla toimivaa säätutkaa tutkitaan ensisijaisena järjestelmänä ja toissijainen järjestelmä on yliopistokampuksen tukiasemista koostuva yritysverkko. Ensin kampuksen tukiasemien lähetystehon aikasarjat mallinnetaan multinomijakaumalla todellisen kerätyn datan perusteella. Tutkalle tukiasemien lähetyksistä johtuvat häiriöt ennustetaan käyttämällä LSTM:ää Monte Carlo (MC) -pudotuksen kanssa ottaen huomioon mallin epävarmuus. Lopuksi ehdotetaan kahteen algoritmiin perustuvaa tehokasta jakamis- ja tutkasuojausjärjestelmää (ESRP) käyttämällä keskiarvotettuja ja ennustettuja ylärajan häiriöaikasarjoja. Tulokset osoittavat, että ehdotettu ESRP-järjestelmä, jossa on häiriöennusteen yläraja, varmistaa tutkasuojan paremmalla suorituskyvyllä kuin perinteiset tutkasuojajärjestelmät. Lisäksi parempi tutkasuojaus voidaan saavuttaa pienellä kompromissilla toissijaisten käyttäjien suorituskyvyssä säätämällä ESRP-järjestelmässä käytettyä MC pudotusarvoa.

Wireless traffic usage forecasting methods can help to facilitate proactive resource allocation solutions in cloud managed wireless networks. In this paper, we present temporal and spatial analysis of network traffic using real traffic data of an enterprise network comprising 470 access points (APs). We classify and separate APs into different groups according to their traffic usage patterns. We study various statistical properties of traffic data, such as auto-correlations and cross-correlations within and across different groups of APs. Our analysis shows that the group of APs with high traffic utilization have strong seasonality patterns. However, there are also APs with no such seasonal patterns. We also study the relation between number of connected users and traffic generated, and show that more connected users do not always mean more traffic data, and vice versa. We use Holt-Winters, seasonal auto-regressive integrated moving average (SARIMA), long short-term memory (LSTM), gated recurrent unit (GRU) and convolutional neural network (CNN) methods for forecasting traffic usage. Our results show that there is no single universal best method that can forecast traffic usage of every AP in an enterprise wireless network. The combined models such as CNN-LSTM and CNN-GRU are also used for spatio-temporal forecasting of a single AP traffic usage. The results show that considering spatial dependencies of neighboring APs can improve the forecasting performance of a single AP if it has significant spatial correlations.