DE202023101924U1 - A modified naive Bayes classifier for mode switching and mobility management in cellular networks - Google Patents
A modified naive Bayes classifier for mode switching and mobility management in cellular networks Download PDFInfo
- Publication number
- DE202023101924U1 DE202023101924U1 DE202023101924.2U DE202023101924U DE202023101924U1 DE 202023101924 U1 DE202023101924 U1 DE 202023101924U1 DE 202023101924 U DE202023101924 U DE 202023101924U DE 202023101924 U1 DE202023101924 U1 DE 202023101924U1
- Authority
- DE
- Germany
- Prior art keywords
- mobility management
- switching
- mode
- cellular
- mode switching
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001413 cellular effect Effects 0.000 title claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 21
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 238000012423 maintenance Methods 0.000 claims abstract 2
- 230000010267 cellular communication Effects 0.000 claims 1
- 238000000034 method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/24—Negotiating SLA [Service Level Agreement]; Negotiating QoS [Quality of Service]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
System (100), das einen modifizierten Naive-Bayes-Klassifikator für die Modusumschaltung und das Mobilitätsmanagement unter Verwendung eines zellularen Netzwerks verwendet, mit:
ein Integrationsmodul, das die Integration von Betriebsartwechsel und Mobilitätsmanagement im Netz ermöglicht, umfasst:
ein Switching-Modell wird verwendet, um die Mobilität der Nutzer während der Kommunikation zu ermöglichen;
ein naiver Bayes-Algorithmus wird für die Bewertung des Nutzermodus oder des zellulären Modus verwendet;
ein Mobilitätsmanagement für die Streckenpflege durchgeführt wird.
A system (100) using a modified Naive Bayes classifier for mode switching and mobility management using a cellular network, comprising:
an integration module that enables the integration of mode switching and mobility management in the network includes:
a switching model is used to allow user mobility during communication;
a naive Bayesian algorithm is used for user mode or cellular mode evaluation;
mobility management for route maintenance is carried out.
Description
Die vorliegende Erfindung bezieht sich auf das Gebiet des maschinellen Lernens. Das System verwendet ein neuartiges Systemumschaltmodell unter Verwendung des Naive-Bayes-Klassifikators für die Modusumschaltung und das Mobilitätsmanagement über zelluläre Netzwerke.The present invention relates to the field of machine learning. The system uses a novel system switching model using the Naive Bayes classifier for mode switching and mobility management over cellular networks.
5G hat die „Big Five“-Merkmale gerätezentrierte Kommunikation, Massive-Multiple-Input-Multiple-Output (M-MIMO), native Unterstützung für heterogene Kommunikation und smarter. Evolutionäre Algorithmen (EAs) und konventionelle Mobilitätsmanagementtechniken werden verwendet, um eine gerätezentrierte Kommunikation zu erreichen, während DMM-Ansätze für das Mobilitätsmanagement verwendet werden, aber diese Techniken stehen vor Herausforderungen, die Fairness, hohe Signalisierungskosten und unregelmäßige Topologien umfassen.5G has the "Big Five" features of device-centric communications, massive multiple input multiple output (M-MIMO), native support for heterogeneous communications, and smarter. Evolutionary algorithms (EAs) and conventional mobility management techniques are used to achieve device-centric communication while DMM approaches are used for mobility management, but these techniques face challenges that include fairness, high signaling costs, and irregular topologies.
Zur Lösung des Problems bietet die vorliegende Erfindung einen modifizierten Naive-Bayes-Klassifikator für die Modusumschaltung und das Mobilitätsmanagement in zellularen Netzwerken.To solve the problem, the present invention provides a modified Naive Bayes classifier for mode switching and mobility management in cellular networks.
Das System verbessert die Leistung des Mobilitätsmanagements im Netz.The system improves the performance of mobility management in the network.
Das System verbessert die Mobilität des Benutzers während der Kommunikation.The system improves user mobility during communication.
Das System verbessert die Wiederverwendung des zugänglichen Spektrums und minimiert den Stromverbrauch, indem es den Durchsatz des Netzes verbessert.The system improves available spectrum reuse and minimizes power consumption by improving network throughput.
Das System bietet eine überragende Leistung mit einer minimalen Verzögerung von 0,164 s, einer maximalen Leistung von 58,786 bpm, einem maximalen Link-Nutzungsgrad von 0,727 und einem maximalen Durchsatz von 1.641.723.The system offers superior performance with a minimum delay of 0.164s, a maximum performance of 58.786 bpm, a maximum link utilization of 0.727 and a maximum throughput of 1,641,723.
Das System erreicht eine minimale Netzwerklatenz, indem es das Problem der begrenzten Kapazität der Caches im Netzwerk löst.The system achieves minimal network latency by solving the problem of limited capacity of network caches.
Das System reduziert die Trainingsdaten und ist einfach zu implementieren.The system reduces training data and is easy to implement.
In einer Ausführungsform schlägt das System eine Modusumschaltung unter Verwendung von Naive Bayes für das Mobilitätsmanagement vor, bei der Netzwerke den Kommunikationsmodus vom zellularen Netzwerkmodus in den Benutzermodus für eine zuverlässige Kommunikation umschalten. Der Umschaltfaktor wird auf der Grundlage von Signalstärke, Bandbreitennutzung, Energie, Verzögerung und Verbindungsauslastung bestimmt. Der Klassifikator für Naive Bayes ist so konzipiert, dass der Benutzer zwischen der Verarbeitung im zellularen Modus und im benutzerzentrierten Modus wechseln kann. Die Umschaltfaktoren werden in diesem Fall von Naive Bayes verwendet, um die Modi für eine bessere QoS zu ändern und in jede Richtung zu reisen. Bei der Verwendung von Naive Bayes wurden die vorgeschlagenen Ansätze für die Modusumschaltung vom Klassifikator übertroffen.In one embodiment, the system proposes mode switching using Naive Bayes for mobility management, where networks switch the communication mode from cellular network mode to user mode for reliable communication. The switching factor is determined based on signal strength, bandwidth usage, energy, delay and connection utilization. The Naive Bayes classifier is designed to allow the user to switch between cellular mode and user-centric mode processing. The switching factors are used in this case by Naive Bayes to change modes for better QoS and travel in each direction. When using Naive Bayes, the proposed approaches to mode switching were outperformed by the classifier.
In einer Ausführungsform wird das System zur Erstellung von Echtzeit-Vorhersagen verwendet und verarbeitet sowohl diskrete als auch kontinuierliche Daten.In one embodiment, the system is used to generate real-time predictions and processes both discrete and continuous data.
In einer Ausführungsform wird das System verwendet, um bessere Dienste für mobile Benutzer bereitzustellen.In one embodiment, the system is used to provide better services to mobile users.
In einer Ausführungsform wird das System zur Verbesserung der Signalstärke, Bandbreite, Energie, Verzögerung und der Verbindungsauslastung verwendet.In one embodiment, the system is used to improve signal strength, bandwidth, power, delay, and link utilization.
Die Erfindung wird im Folgenden anhand der Figur nochmals erläutert. Dabei zeigen:
Vorgeschlagener Naïve Bayes-Klassifikator für das Mobilitätsmanagement in Mobilfunknetzen.Proposed Naïve Bayes classifier for mobility management in cellular networks.
Ziel des Systems (100) ist es, ein Modell für die Modusumschaltung zu entwickeln, um ein Mobilitätsmanagement in zellularen Netzen einzurichten. Zunächst wird das zelluläre Netz initialisiert, um eine Route für die weitere Kommunikation zu erstellen. Sobald die Route festgelegt ist, wird die Routenfindung mit dem Modell des optimalen Routing-Algorithmus durchgeführt. Sobald die optimale Route ausgewählt ist, wird die Kommunikation initialisiert, gefolgt von einer dynamischen Modusumschaltung, bei der das Netzwerk den Kommunikationsmodus für jeden Benutzer so umschaltet, dass er entweder im CM- oder UM-Modus arbeitet, um eine zuverlässige Kommunikation zu erreichen. Die Modusumschaltung wird auf der Grundlage des Umschaltfaktors bestimmt, der Faktoren wie Signalstärke von UE oder CN, Bandbreitennutzung von UE oder CN, Energie von UM oder CM, Verzögerung von UM oder CM und Verbindungsauslastung von UM oder CM berücksichtigt. Diese Leistungsmetriken werden als Eingabe für den Naive Bayes-Klassifikator verwendet, um UM oder CM auszuwählen. Nach der Modusumschaltung wird das Mobilitätsmanagement zur Aufrechterhaltung der Route durchgeführt.The aim of the system (100) is to develop a model for mode switching in order to implement mobility management in cellular networks. First, the cellular network is initialized to create a route for further communication. Once the route is determined, route finding is performed using the optimal routing algorithm model. Once the optimal route is selected, communication is initialized, followed by dynamic mode switching, where the network switches the communication mode for each user to operate in either CM or UM mode to achieve reliable communication. Mode switching is determined based on the switching factor, which takes into account factors such as signal strength from UE or CN, bandwidth utilization from UE or CN, energy from UM or CM, delay from UM or CM, and link utilization from UM or CM. These performance metrics are used as input to the Naive Bayes classifier to select UM or CM. After mode switching, mobility management is performed to maintain the route.
Der Ablauf des vorgeschlagenen Mobilitätsmanagementmodells in zellularen Netzen unter Verwendung des Naive Bayes Klassifikators.The flow of the proposed mobility management model in cellular networks using the Naive Bayes classifier.
Initialisierung des NetzwerksNetwork initialization
Das Netz wird als zusammenhängender Graph M = (K, L) modelliert, wobei K = (K1, K2...Ks) eine Gruppe von Inhaltsroutern im Netz darstellt und L ⊆ (K × K) eine Gruppe von bidirektionalen Verbindungen zur Verbindung von Geräten im Netz. Angenommen, N = (N1N2...NT) bezeichnet eine Gruppe von Inhaltsobjekten, die im Netz erhältlich sind. Diese Objekte sind in erster Linie auf den Netzwerkservern verteilt, die unbeirrbar mit den Edge-Content-Routern verbunden sind. Das Ziel ist es, eine minimale Netzwerklatenz zu erreichen, indem das Problem der begrenzten Cache-Kapazität im Netzwerk gelöst wird. Daher wird das optimale Routingproblem als ganzzahliges lineares Problem (ILP) modelliert und wie folgt formuliert,
Moduswechsel unter Verwendung von Leistungsmetriken mit Naive Bayes-KlassifikatorMode switching using performance metrics with Naive Bayes classifier
Hier wird der Prozess der dynamischen Modusumschaltung mithilfe des Naive Bayes-Klassifikators veranschaulicht, wobei die Umschaltfaktoren als Eingabe für den Klassifikator dienen, um UM oder CM auszuwählen, um eine zuverlässige Kommunikation zu erreichen. Der benutzerzentrierte Modus ist weniger abhängig von der Netzwerkinfrastruktur und der damit verbundene verbesserte Knoten stellt die Kontrolle über die Leistungsmaßnahmen dar. Naive Bayes ist ein Modell für Clustering und Klassifizierung, das auf dem Bayes-Theorem basiert. Dieses Modell schätzt die Wahrscheinlichkeit pro Klasse, indem es davon ausgeht, dass die Attribute bedingungslos unabhängig sind. Es nutzt die gleiche Methode, um die Wahrscheinlichkeit verschiedener Klassen auf der Grundlage verschiedener Attribute vorherzusagen. Es wird hauptsächlich zur Lösung von Problemen mit mehreren Klassen verwendet. Das Naive Bayes-Modell hat mehrere Vorteile, von denen einige hier aufgeführt sind. Es erfordert nicht so viele Trainingsdaten und ist einfach zu implementieren. Es kann für Vorhersagen in Echtzeit verwendet werden. Außerdem kann es sowohl diskrete als auch kontinuierliche Daten verarbeiten.Here, the dynamic mode switching process is illustrated using the Naive Bayes classifier, with the switching factors serving as input to the classifier to select UM or CM to achieve reliable communication. The user-centric mode is less dependent on network infrastructure and the associated enhanced node represents control over performance measures. Naive Bayes is a clustering and classification model based on Bayes' theorem. This model estimates the probability per class by assuming the attributes are unconditionally independent. It uses the same method to predict the likelihood of different classes based on different attributes. It is mainly used to solve multi-class problems. The Naive Bayes model has several advantages, some of which are listed here. It doesn't require that much training data and is easy to implement. It can be used for real-time predictions. Also, it can handle both discrete and continuous data.
Das Umschalten der Betriebsart ist im Folgenden dargestellt:
- Schritte der Modusumschaltung mit Hilfe von Umschaltfaktoren
- Schritt 1 Das UE löst einen Ruf aus und wird von dem verbündeten erweiterten Knoten übernommen.
- Schritt 2 Der erweiterte Knoten berechnet den Standort der Zelle und des Anrufers und bestimmt den Standort des Zielknotens.
- Schritt 3 Der erweiterte Knoten berechnet Schaltfaktoren wie Signalstärke, Bandbreite, Energieverbrauch, Verzögerung und Verbindungsauslastung für jedes UE und jeden CN, der der mobile Zielnutzer ist.
- Schritt 4 Die erhaltenen Umschaltfaktoren werden in den Naive Bayes-Klassifikator eingespeist, der feststellt, ob der Benutzer in UM oder CM arbeitet.
- Schritt 5 In UM wertet der erweiterte Knoten die QoS-Parameter für jeden mobilen Benutzer aus. Wenn die QoS-Werte unter dem Schwellenwert liegen, wird ein Relaisknoten zur Verbesserung der Leistung des Netzwerks angebracht.
- Schritt 6 Der erweiterte Knoten kontrolliert die Leistung des Systems mit benutzerorientierter Kopplung, um eine zufriedenstellende QoS bereitzustellen. Das Netzwerk überwacht die Leistung und passt bestimmte Maßnahmen an, um den mobilen Nutzern bessere Dienste zu bieten. Dieses Modul besteht aus zwei untergeordneten Phasen. Zunächst nimmt das Netz die Anruferinformationen auf und führt eine Analyse durch. Dann wird mit Hilfe des Naïve Bayes-Klassifikators eine Entscheidung für die Umschaltung der Modi auf der Grundlage von Leistungsmessungen getroffen, während zwischen UM und CM umgeschaltet wird. Um eine bessere Leistung bei der Modusumschaltung zu erreichen, werden die Signalstärke, die Bandbreite, die Energie, die Verzögerung und die Verbindungsauslastung berechnet.
- Mode switching steps using switching factors
- Step 1 The UE initiates a call and is taken over by the federated extended node.
- Step 2 The extended node calculates the location of the cell and the caller and determines the location of the destination node.
- Step 3 The advanced node calculates switching factors such as signal strength, bandwidth, power consumption, delay and link utilization for each UE and each CN that is the target mobile user.
- Step 4 The switching factors obtained are fed into the Naive Bayes classifier, which determines whether the user is working in UM or CM.
- Step 5 In UM, the advanced node evaluates the QoS parameters for each mobile user. If the QoS values are below the threshold, a relay node is placed to improve the performance of the network.
- Step 6 The advanced node controls the performance of the system with user-centric coupling to provide satisfactory QoS. The network monitors performance and adjusts certain measures to provide better services to mobile users. This module consists of two sub-phases. First, the network takes the caller information and performs an analysis. Then, using the Naïve Bayes classifier, a mode switching decision is made based on power measurements while switching between UM and CM. To achieve better mode switching performance, the signal strength, bandwidth, power, delay and link utilization are calculated.
Modusumschaltung unter Verwendung eines Naive-Bayes-Klassifikators zur Umschaltung der Modi.Mode switching using a Naive Bayes classifier to switch modes.
Hier wird die dynamische Modusumschaltung mit Hilfe von Naïve Bayes und einer Reihe von Leistungsmetriken veranschaulicht. Hier schaltet das Netzwerk den Kommunikationsmodus vom netzwerkzentrierten Modus auf den benutzerzentrierten Modus um, um eine realistische Kommunikation zu ermöglichen. Diese fünf Leistungskennzahlen dienen als Eingabe für den Naïve Bayes-Klassifikator zur Bewertung des Benutzermodus oder des zellularen Modus. Naïve Bayes ist ein Klassifikator, der zur Klassifizierung auf der Grundlage des Bayes-Theorems verwendet wird. Dieser Bayes-Klassifikator verwendet das Bayes-Theorem, um die Wahrscheinlichkeit von Daten zu bestimmen, die in eine bestimmte, mit einer Beobachtung versehene Klasse passen. Dieses Modell bewertet die Wahrscheinlichkeit pro Klasse, indem es die Attribute berücksichtigt, die bedingt unabhängig sind. Dieser Klassifikator ist einfach zu erstellen, und es werden keine komplexen iterativen Parameter und Auswertungen vorgenommen, was ihn für eine Hardware-Implementierung vorteilhaft macht. Naïve Bayes ist als überwachendes maschinelles Lernen bekannt, das im Allgemeinen für die Klassifizierung von Datensätzen verwendet wird. Dieser Klassifikator prognostiziert Dinge auf der Grundlage seines Vorwissens und souveräner Annahmen. Darüber hinaus ist dieser Klassifikator effektiv bei der Entscheidungsfindung mit anonymen Datensätzen. Die Funktionsweise des Naive-Bayes-Klassifikators wird anhand von Leistungsmaßen untersucht. Angenommen, H bezeichnet die Klassenvariable, Fa das bedingte Attribut a, das für die Klassifizierung verwendet wird, und P (H¬F1...Fb) stellt die bedingte Wahrscheinlichkeit der Klasse H dar, sofern der Beweis F1,..., Fb aufgetreten ist. Das Wahrscheinlichkeitsmodell des Naive Bayes Klassifikators wird wie folgt ausgedrückt,
Als Alternative zur Bewertung der bedingten Wahrscheinlichkeit für die Zusammenführung der Attribute Fa der Klasse H wurde eine Vermutung in Betracht gezogen, die wie folgt formuliert wird,
Die beste Klasse für die Zuordnung von Daten ist diejenige, die diese bedingte Wahrscheinlichkeit unter allen Klassen maximiert. Für die Klassifizierung ist die obige Gleichung als Likelihood-Funktionen bekannt, die als Funktion von H mit F formuliert werden. Für die Klassenvariablen H1......H¬ kann man die Evidenz in ¬ Likelihood-Werte kategorisieren. Außerdem werden die Beweise der Klasse mit einer hohen Wahrscheinlichkeit zugeordnet. Wann immer die Likelihood-Funktion verglichen wird, kann man effektiv P (F1..., Fb) filtern. Somit wird die Likelihood-Funktion wie folgt ausgedrückt,
Die Likelihood-Berechnung ist wesentlich, da sie aufgrund der Evidenz, die die Aufteilung in verschiedene Aspekte durch die Souveränitätsvermutung darstellt, keine große Trainingsmenge benötigt. Darüber hinaus können die bedingten Dichten der Klassen für jedes Attribut unabhängig voneinander berechnet werden und die mehrdimensionale Aufgabe wird auf eine eindimensionale Aufgabe reduziert. Die vom Naïve Bayes-Klassifikator erzeugte Ausgabe ist entweder UM oder CM.The likelihood calculation is essential because it does not require a large amount of training due to the evidence showing the division into different aspects by the presumption of sovereignty. Furthermore, the conditional densities of the classes for each attribute can be calculated independently and the multi-dimensional task is reduced to a one-dimensional task. The output produced by the Naïve Bayes classifier is either UM or CM.
BezugszeichenlisteReference List
- 100100
- Systemsystem
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- CN 110431911 [0003]CN110431911 [0003]
- CN 112534869 [0004]CN112534869 [0004]
Claims (5)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE202023101924.2U DE202023101924U1 (en) | 2023-04-15 | 2023-04-15 | A modified naive Bayes classifier for mode switching and mobility management in cellular networks |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE202023101924.2U DE202023101924U1 (en) | 2023-04-15 | 2023-04-15 | A modified naive Bayes classifier for mode switching and mobility management in cellular networks |
Publications (1)
Publication Number | Publication Date |
---|---|
DE202023101924U1 true DE202023101924U1 (en) | 2023-07-04 |
Family
ID=87312356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE202023101924.2U Active DE202023101924U1 (en) | 2023-04-15 | 2023-04-15 | A modified naive Bayes classifier for mode switching and mobility management in cellular networks |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE202023101924U1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110431911A (en) | 2017-03-20 | 2019-11-08 | 三星电子株式会社 | Efficient PDU session activation and deactivated method are supported in cellular networks |
CN112534869A (en) | 2018-08-16 | 2021-03-19 | 谷歌有限责任公司 | Cellular Wireless Local Area Network (WLAN) network interface |
-
2023
- 2023-04-15 DE DE202023101924.2U patent/DE202023101924U1/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110431911A (en) | 2017-03-20 | 2019-11-08 | 三星电子株式会社 | Efficient PDU session activation and deactivated method are supported in cellular networks |
CN112534869A (en) | 2018-08-16 | 2021-03-19 | 谷歌有限责任公司 | Cellular Wireless Local Area Network (WLAN) network interface |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60120505T2 (en) | METHOD AND SYSTEM FOR LOADING A LOT OF CELLS IN A MOBILE RADIO NETWORK | |
DE60033068T2 (en) | Method and system for controlling the handover | |
DE60224390T2 (en) | METHOD AND DEVICE FOR OVERLOAD ADMINISTRATION IN A WIRELESS COMMUNICATION SYSTEM | |
DE602004004084T2 (en) | EXIT CONTROL FOR PACKAGES | |
DE602004000044T2 (en) | Method and device for adaptive and online assignment in hierarchical superimposed networks | |
DE69825892T2 (en) | DYNAMIC CHANNEL DISTRIBUTION METHOD IN A CELLULAR COMMUNICATION NETWORK | |
DE202005000109U1 (en) | Radio resource management in wireless local area networks | |
DE112006000314T5 (en) | Method and system of software architectures for the network management of mobile wireless broadband networks | |
DE102008048233B4 (en) | Resource Allocation Method for MU-MIMO OFDM (Multi-User Multiple Input Multiple Output Orthogonal Frequency Division Multiplexing) System and Apparatus Thereof | |
DE112005003403T5 (en) | A method and apparatus for responding to node anomalies within an ad hoc network | |
DE102006010192A1 (en) | Apparatus and method for dynamically configurable wireless networks | |
DE112016006705T5 (en) | Method for providing operating information for a network | |
CN103731854A (en) | Network state partition method based on SON, device and network system | |
DE60109157T2 (en) | Handover of a central controller in an ad hoc network | |
DE102014213304A1 (en) | A method and apparatus for monitoring a quality of service of a data transmission over a data connection in a radio network | |
DE102021116590A1 (en) | CONTINUOUS NETWORK SLICING IN A 5G MOBILE NETWORK OVER A DELAYED DEEP DETERMINISTIC POLICY GRADIENT | |
Devi et al. | Optimization techniques for spectrum handoff in cognitive radio networks using cluster based cooperative spectrum sensing | |
Li et al. | Traffic scenario clustering and load balancing with distilled reinforcement learning policies | |
DE202023101924U1 (en) | A modified naive Bayes classifier for mode switching and mobility management in cellular networks | |
DE602004010434T2 (en) | Autonomous reassociation of a client in a wireless local area network | |
DE10214629A1 (en) | Method for organizing the topology of a network with a large number of stations, which are grouped in clusters | |
CN117376355A (en) | B5G mass Internet of things resource allocation method and system based on hypergraph | |
DE69830625T2 (en) | Dynamic network bandwidth allocation for multimedia applications with soft quality of service requirements | |
EP0699372B1 (en) | Mobile radio transmission system with channels allocated using expanded kohonen networks | |
DE60317577T2 (en) | MOBILITY MANAGEMENT IN MOBILE NETWORKS BASED ON CONTEXT INFORMATION |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R207 | Utility model specification | ||
R082 | Change of representative |
Representative=s name: LIPPERT STACHOW PATENTANWAELTE RECHTSANWAELTE , DE |