EP4406202A1 - Titre : procédé de prédiction de la qualité de service d'un réseau de communication, produit programme d'ordinateur et dispositif électronique de prédiction associés - Google Patents

Titre : procédé de prédiction de la qualité de service d'un réseau de communication, produit programme d'ordinateur et dispositif électronique de prédiction associés

Info

Publication number
EP4406202A1
EP4406202A1 EP22786806.4A EP22786806A EP4406202A1 EP 4406202 A1 EP4406202 A1 EP 4406202A1 EP 22786806 A EP22786806 A EP 22786806A EP 4406202 A1 EP4406202 A1 EP 4406202A1
Authority
EP
European Patent Office
Prior art keywords
quality
service
prediction
terminal
communication network
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.)
Pending
Application number
EP22786806.4A
Other languages
German (de)
English (en)
Inventor
Xavier VALETTE
Yves Vidal
Eric Robert
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Thales SA
Original Assignee
Thales SA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Thales SA filed Critical Thales SA
Publication of EP4406202A1 publication Critical patent/EP4406202A1/fr
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5061—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the interaction between service providers and their network customers, e.g. customer relationship management
    • H04L41/5067—Customer-centric QoS measurements

Definitions

  • TITLE Method for predicting the quality of service of a communication network, computer program product and associated electronic prediction device
  • the present invention relates to a method for predicting the quality of service of a communication network, said method being able to be implemented by an electronic device for predicting the quality of service of a communication network, a program product computer, and an associated electronic detection device.
  • the invention lies in the field of mobile terminals using a communication technology via a cellular communication network or even Wi-Fi.
  • a communication network corresponds to a new generation broadband radio access network such as that a fourth or fifth generation or even later generation network and in particular the fourth generation communication network compliant with the LTE (Long Term Evolution) standard defined by the standardization organization 3GPP (3rd Generation Partnership Project).
  • LTE Long Term Evolution
  • Such an LTE communication network comprises one or more quality of service manager(s), also called PCRF (Policy Charging and Rules Function) according to the LTE standard and integrated into a core network called EPC (from the English Evolved Packet Core) according to the LTE standard, one or more network gateway(s) and one or more base station(s), also called eNodeB (evolved Node B) according to the LTE standard, each gateway of network being connected, on the one hand, to a quality of service manager, and on the other hand, to one or more base stations.
  • PCRF Policy Charging and Rules Function
  • the LTE communication network has an architecture distributed in a plurality of radio sites, each radio site comprising its own base station(s), or even only one or more remote radio head(s) (RRH English Remote Radio Head) , the core EPC network being generally centralized in the infrastructure of the operator.
  • the terminal or connected object also called UE (User Equipment) according to the LTE standard, is suitable for being connected to a base station and for being connected to a gateway via the base station, said gateway being a function the location of the terminal.
  • UE User Equipment
  • a UE is a reactive electronic system dependent on the quality of service, also called QoS (Quality of Service) imposed or available from such a communication network, in particular of fourth generation to distributed architecture, in order to best serve the applications for which the UE provides connectivity.
  • QoS Quality of Service
  • quality of service is meant an indicator or a group of communication performance indicators (e.g. availability, useful bit rate, transmission delays, jitter, packet loss rate, etc.)
  • the current solutions establish a correlation between one or more radio quantities (RSSI, RSRQ, etc.) and the bit rate without allowing an overall determination of the QoS quality of service accessible at the application level, and also without taking into account the occupancy, by other mobile terminals UEs, of the communication cell where the terminal UE in question is present.
  • RSSI radio quantities
  • RSRQ Radio Service Set
  • the partial vision of the real QoS quality of service currently evaluated by means of the bit rate alone on the basis of analysis of parameters and characteristics of the radio link used by a considered UE terminal does not allow this considered UE to obtain locally (i.e. within the EU itself) an accurate and reliable modeling of the impact of the quality of service of cellular or Wi-Fi communication on the quality of experience at the mobile application level.
  • the object of the invention is therefore to propose a method for predicting the quality of service of a communication network capable of providing a UE with a prediction of quality of service as such, and not partial as currently provided, in order to inform in real time the applications for which the UE provides the communication service, these are then able to adapt their needs to this quality of service thus estimated.
  • the subject of the invention is a method for predicting the quality of service of a communication network, said method being capable of being implemented by an electronic device for predicting the quality of service of a network communication, the method comprising the following steps:
  • the method for predicting the quality of service thus takes account, in addition to the radio coverage information corresponding to one or more descriptive metric(s) of the communication network seen by a considered terminal UE, of the state of the data packet transmission queue (i.e. buffer memory) of the considered terminal UE, the state of each buffer being accessible within a buffer memory state report, in particular BSR (Buffer Status Report), containing information on the quantity of data packets remaining to be transmitted per stream (i.e. data stream) and in particular conventionally used by a base station, in particular called eNodeB (from the evolved Node B) according to the LTE standard, to adapt its way of serving a UE terminal.
  • BSR Buffer Status Report
  • status report of buffer(s) corresponding to a BSR means the information element that a terminal generates from the size of its buffers. transmission and that it sends to the 4G/LTE base station (eNB) with which it is associated so that the latter can (if necessary) take into account the data awaiting transmission to grant speaking "tokens" on the radio link.
  • eNB 4G/LTE base station
  • the present invention proposes an additional and complementary exploitation in real time of the report(s) of state(s) of buffer memory(s), in particular of the BSR type, for the purpose of predicting the quality of service.
  • the present invention proposes to divert locally (in the terminal) the information of this BSR, and in particular the size of the transmission buffer of the terminal of the BSR, to be able, after processing, to predict the quality of service available to the terminal on the radio link (ie the link).
  • the real-time exploitation of the report(s) of buffer memory(s), in particular BSR, proposed according to the present invention makes it possible to enrich the perception and understanding of the quality of service.
  • QoS instantly accessible by the terminal UE considered which also makes it possible to take into account the congestion of the current cell in which the terminal UE considered is located, in particular to anticipate events of loss of connectivity, or quality of service QoS insufficient, in order to improve the user's QoE quality of experience.
  • the method for predicting the quality of service of a communication network may also have one or more of the characteristics below, taken independently or in any technically possible combination:
  • said at least one descriptive metric of the communication network measured by a terminal present within said network belongs to the group comprising at least:
  • said at least one descriptive metric of the communication network measured by a terminal present within said network corresponds at least to the RSRQ metric corresponding to the quality of reception of a reference signal from the network;
  • said machine learning model is obtained by linear regression or by using a neural network
  • said neural network is a multilayer perceptron
  • said method further comprises, using said previously trained machine learning model, an additional prediction step:
  • a posterior radio context by prediction of a set of at least two posterior radio data comprising at least one posterior metric descriptive of the communication network suitable for being offered to a terminal of said network, and a posterior status report ( s) of buffer memory(s) of said terminal, and/or
  • the subsequent radio context and/or the subsequent quality of service being associated with a time subsequent to said time t;
  • said method is repeated periodically and further comprises:
  • said method further comprises a step of transmitting each prediction to the application level of the terminal.
  • the invention also relates to a computer program comprising software instructions which, when they are executed by a computer, implement a method for predicting the quality of service of a communication network such as defined above.
  • the invention also relates to an information medium on which are stored software instructions configured to implement such a method when the software instructions are executed by a processor.
  • the invention relates to an electronic device for predicting the quality of service of a communication network, the device comprising:
  • an acquisition module configured to acquire at least two input data comprising:
  • a prediction module configured to predict, from said at least two inputs associated with the same instant t, said quality of service associated with instant t, by applying said at least two inputs as input to a machine learning model previously trained from a set of training data, previously collected during a predetermined period prior to said instant t, and comprising a plurality of quality(ies) of service actually observed during said predetermined prior period.
  • Figure 1 schematically illustrates an electronic device for predicting the quality of service of a communication network according to one embodiment of the invention
  • FIG 2 is a general flowchart of a method for predicting the quality of service of a communication network;
  • FIG 3 [Fig 4]
  • Figures 3 and 4 respectively illustrate two implementation variants of the method illustrated in Figure 2.
  • FIG. 1 schematically illustrates an electronic device 10 for predicting the quality of service of a communication network, according to one embodiment of the invention, seen by a terminal UE considered and not represented.
  • such an electronic device 10 for predicting the quality of service of a communication network is suitable for being embedded directly within a terminal UE, not shown, of the communication network also not shown on Figure 1, so as to allow him to locally determine an accurate modeling of the impact of cellular or Wi-Fi communication on the quality of experience at the mobile application level.
  • the present invention is implemented directly in a terminal UE, which is innovative compared to the current state of the art. Indeed, with 4G cellular technologies and the cellular technologies of later generations post 4G, the terminals are satisfied with the quality of service granted to them by the network infrastructure without most often having a real a priori knowledge but only an experience to use, and the present invention makes it possible to remedy this.
  • Such an electronic device 10 for predicting the quality of service of a communication network firstly comprises an acquisition module 12 configured to acquire at least two input data comprising:
  • said at least one descriptive metric of the communication network i.e. data(s), magnitude or even metric(s) linked to the radio coverage of the terminal UE considered
  • said at least one descriptive metric of the communication network belongs to the group comprising at least:
  • the acquisition module 12 is able to acquire a combination of different types of information combining on the one hand at least one report of state(s) of buffer(s) , in particular BSR, of said terminal UE considered, and on the other hand one or more of the aforementioned radio metrics.
  • said at least one descriptive metric of the communication network measured by a terminal present within said network corresponds at least to the RSRQ metric corresponding to the quality of reception of a reference signal from the network.
  • the acquisition module 12 is capable of acquiring a combination of different types of information combining on the one hand at least one report of the state(s) of buffer memory(s) , in particular BSR, of said terminal UE in question, and on the other hand one or more of the aforementioned radio metrics necessarily comprising at least the metric RSRQ.
  • the electronic device 10 for predicting the quality of service of a communication network comprises a prediction module 14 configured to predict, from said at least two inputs associated with the same instant t, said quality of service associated with time t, by applying said at least two inputs as input to a machine learning model previously trained from a set of training data, previously collected during a predetermined period prior to said instant t, and comprising a plurality of quality(ies) of service actually observed during said predetermined prior period.
  • the machine learning model is obtained by linear regression or by using a neural network, corresponding according to a particular variant to a multilayer perceptron .
  • the electronic device 10 for predicting the quality of service of a communication network also comprises a module 16 for determining and storing configured to determine and store the precision associated with each prediction, and a module 18 update configured to update said machine learning model using the accuracy associated with each prediction, said updating being implemented after storing a predetermined number of accuracies respectively associated with distinct predictions.
  • the electronic device 10 for predicting the quality of service of a communication network also comprises a transmission/reception module 20 configured to transmit each prediction to the application level of the terminal, and if necessary , in particular when the electronic device 10 of prediction of the quality of service of a communication network is suitable for being external to the terminal UE, in order to receive, from the terminal UE in question, said at least one descriptive metric of the communication network (ie data(s), magnitude or even metric (s) related to radio coverage.
  • a transmission/reception module 20 configured to transmit each prediction to the application level of the terminal, and if necessary , in particular when the electronic device 10 of prediction of the quality of service of a communication network is suitable for being external to the terminal UE, in order to receive, from the terminal UE in question, said at least one descriptive metric of the communication network (ie data(s), magnitude or even metric (s) related to radio coverage.
  • the electronic device 10 for predicting the quality of service of a communication network comprises an information processing unit 22 formed for example of a memory 24 and a processor 26 associated with the memory 24.
  • the acquisition module 12, the prediction module 14, and optionally the determination and storage module 16, the update module 18 are each produced in the form of software, or a software brick, executable by the processor 26.
  • the memory 24 of the electronic device 10 for predicting the quality of service of a communication network according to the present invention is then capable of storing acquisition software, software prediction, and optionally determination and storage software, and update software.
  • the processor 26 is then capable of executing each of the software programs among the acquisition software, the prediction software, and optionally the determination and storage software, and the update software.
  • the acquisition module 12, the prediction module 14, and optionally the determination and storage module 16, the update module 18 are produced are each produced in the form of a programmable logic component, such as an FPGA (Field Programmable Gate Array), or else in the form of a dedicated integrated circuit, such as an ASIC (Application Specific Integrated Circuit).
  • a programmable logic component such as an FPGA (Field Programmable Gate Array)
  • ASIC Application Specific Integrated Circuit
  • the electronic device 10 for predicting the quality of service of a communication network is produced in the form of one or more software, that is to say in the form of a computer program, it is also able to be recorded on an information medium, not shown, readable by computer.
  • the computer-readable information carrier is, for example, a medium capable of storing electronic instructions and of being coupled to a bus of a computer system.
  • the readable information medium is an optical disc, a magneto-optical disc, a ROM memory, a RAM memory, any type of non-volatile memory (for example EPROM, EEPROM, FLASH, NVRAM), a magnetic card or optical card.
  • FIG. 2 is a general flowchart of a method 30 for predicting the quality of service of a communication network according to an embodiment of the present invention.
  • the prediction method 30 first of all comprises a first step 32, implemented by the aforementioned acquisition module 12, to acquire at least two input data associated with the same instant / comprising:
  • such acquisition A i.e. recovery
  • acquisition module 12 of the electronic device 10 for predicting the quality of service with a terminal considered.
  • Said at least one descriptive metric of the communication network measured by the terminal considered belongs to the group comprising at least:
  • the acquisition module 12 is for example configured to simultaneously acquire one, two, three, or even four of the aforementioned RSRQ, RSSI, RSRP, SNR metrics. In other words, during this step 32 implemented periodically, the acquisition module 12 recovers on the one hand a set comprising at least one descriptive metric of the communication network measured by the terminal considered.
  • this set comprises at least the RSRQ metric.
  • the acquisition module 12 also recovers at least one report of the state(s) of buffer memory(s), in particular BSR (of the English Buffer Status Report), said terminal representative of the remaining amount of data to be transmitted.
  • BSR the state(s) of buffer(s), in particular BSR
  • Such a report of the state(s) of buffer(s), in particular BSR conventionally corresponds to information, generated by the terminal in question, on the quantity of data packets remaining to be transmitted per data stream (ie the BSR is data from the context of a data stream from the terminal UE) and is in particular conventionally transmitted to and used by a base station, in particular called eNodeB (evolved Node B) according to the LTE standard, for that said base station eNodeB adapts its way of serving a terminal UE (ie adapts the resources uplinks to the data stream considered, and this within the limit of the capacity of the eNodeB and the Qos quality of service contract negotiated and associated).
  • eNodeB evolved Node
  • such a report of the state(s) of buffer(s), in particular BSR is an indicator locally allowing the terminal in question to construct a vision of the service offered by the communication network to its applications, and combined with the aforementioned set of at least one descriptive metric of the communication network measured by the terminal in question forms input data relating to the cellular context in particular for a communication network conforming to the LTE standard.
  • the acquisition 32 and the exploitation of the state report(s) of buffer(s), in particular BSR, at the level of the terminal UE allows it, in an autonomous manner, to evaluate the necessary resources per service offered by the considered LTE infrastructure.
  • the terminal UE determines that it will be able to easily transmit data that he wishes to transmit what reflects a QoS quality of service adapted (i.e. a "good" QoS) to his own needs.
  • a QoS quality of service adapted i.e. a "good” QoS
  • the report of the state(s) of buffer(s) indicates that the size of the buffer is decreasing, which shows that the radio resources allocated to the terminal UE are more than sufficient and that the QoS quality of service is appropriate (i.e. a "good" QoS).
  • a report of the state(s) of buffer(s), in particular BSR, indicating that the size of the buffer is increasing shows that the radio resources allocated to the terminal UE are insufficient and that the quality of service QoS is unsuitable (i.e. a “bad” QoS).
  • the terminal UE determines from one iteration to another the variations of the BSR to conclude that there is a decrease/increase in the size of the buffer (i.e. compared to the previous BSR associated with an instant preceding the current instant of determination).
  • the BSR variations are therefore used as data for the prediction phase described below.
  • a send buffer of constant size i.e. with a constant filling rate
  • a balance between the communication request from the applications i.e. data generated by the applications and to be transmitted
  • transmission i.e. the performance of the wireless link
  • this buffer increases (i.e. if its filling rate increases), this reflects a transmission undercapacity.
  • Such a report of the state(s) of buffer memory(s), in particular BSR is available at the level of the cellular communications layers (ie of level less than three within the meaning of the OSI model) of the UE.
  • the use of the RSRQ metric combined with the report of the state(s) of buffer(s), in particular BSR is effective for an estimation of the quality of service QoS on cellular 4G technologies. and 5G.
  • the present invention provides for integrating other input parameters into the machine learning model such as the RSSI, RSRP, SNR or any other relevant metric associated with the subsequent technology considered.
  • such an acquisition 32 is implemented on request from the acquisition module 12 to the terminal in question.
  • the method 30 then comprises a phase 34 of prediction P implemented by the aforementioned prediction module 14 .
  • Said prediction phase 34 comprises at least from said at least two inputs associated with the same instant t, a first step 36 of prediction Pi of said quality of service associated with instant t, by applying said at least two inputs associated with the same instant t as input to a machine learning model M previously trained during a training phase T from a set of training data, previously collected during a predetermined period prior to said instant t , the training data set comprising a plurality of quality(s) of service actually observed during said predetermined prior period.
  • each quality of service actually observed is associated with:
  • the method 30 further comprises, by using said previously trained machine learning model M, an additional prediction step 38 P2:
  • a posterior radio context by prediction of a set of at least two posterior radio data comprising at least one posterior metric descriptive of the communication network suitable for being offered to a terminal of said network, and a posterior status report ( s) of buffer memory(s) of said terminal, and/or
  • the subsequent radio context and/or the subsequent quality of service being associated with a time subsequent to said time t
  • this step 38 of additional prediction corresponds to the implementation of a machine learning approach to determine a future vision of the service specific to being offered by the communication network considered.
  • the machine learning model M is for example respectively obtained by linear regression or by using a neural network.
  • the training phase corresponds to the calibration of linear regression polynomials in particular in terms of degrees and weights, according to the correlation between the quality of service QoS actually observed and each of the input variables of the radio context associated temporally, such as the input variables (i.e. metrics) RSRQ, RSSI, RSRP, SNR mentioned above, and at least one report of state(s) of memory(s) ) buffer(s), in particular BSR (Buffer Status Report), of said terminal representative of the remaining quantity of data to be transmitted.
  • the input variables i.e. metrics
  • the method 30 is also repeated periodically and further comprises a step 40 of determining and storing DM the accuracy associated with each prediction Pi or even P 2 , and a step 42 of updating update U of the machine learning model M using the accuracy associated with each prediction Pi or even P 2 , said update U being implemented after storing a predetermined number of accuracies respectively associated with predictions Pi or even P 2 distinct.
  • a predetermined number is for example equal to one, which implies updating at each prediction at least Pi or even P 2 .
  • such a predetermined number is for example equal to ten, which then implies an update every ten predictions Pi.
  • steps 40 and 42 make it possible to self-improve the machine learning model M over time.
  • the steps 40 and 42 allow an adjustment of the neural network, in particular in terms of weight, for example by backpropagation of the gradient of the value of the cost function for example (backpropagation) or by calculating the second derivative, etc.
  • the method 30 further comprises a step 44 of transmission E of each prediction at the application level NA of the terminal considered.
  • Such an optional step 44 allows feedback on the predicted (ie predicted) QoS quality of service so that the applications adjust their request as a function and as far as possible.
  • the method 30 according to the present invention is based on the additional exploitation compared to the state of the art, of the state of the transmission queues (buffers) of the terminal considered UE, this state being informed via the report of the state(s) of buffer(s), in particular BSR, in order to enrich the vision and understanding of the QoS quality of service accessible in real time, or even future (i.e. prediction of the service to come ), and implements beforehand, via the training phase T, the construction of a prediction model of this quality of service QoS by artificial intelligence machine learning techniques, while maintaining a continuous consolidation of the performance of the prediction model M by comparing its results with observations.
  • FIGS 3 and 4 respectively illustrate two implementation variants of the method 30 illustrated by Figure 2.
  • Figure 3 corresponds to variant 30A WHERE the machine learning model M is obtained by linear regression.
  • a step 46 of collecting a set of training data is carried out beforehand.
  • training data was collected during measurements during preliminary tests.
  • Such training data advantageously present a wide variety of measurement results constituting weakly correlated training and test samples, which increases the relevance of the prediction model M obtained.
  • Step 46 results in the formation 47 of a DBA training database comprising in particular the variables (i.e. metrics) RSRQ, RSSI, RSRP, SNR mentioned above and also, advantageously according to the invention, the status reports ( s) buffer memory(s), in particular BSR, corresponding to the transmission queue report(s) of each terminal considered.
  • variables i.e. metrics
  • the prediction model M is trained during a step 48 by TMA linear regression, initially, of the useful throughput curve (throughput) as a function of the parameters RSSI, RSRQ, RSRP, SNR input data and buffer memory(s) status report (eg BSR), in particular to exclude irrelevant input parameters and to calibrate during of a step 50 one or more linear regression polynomials TP A whose weights and/or degrees are optimized OPT during a training step 52 of calculating the weights by minimizing a cost function quantifying the error between the estimated data and the actual data. This cost function value is then back-propagated during a training step 54 to improve over the iterations the prediction model M trained by linear regression TMA.
  • TMA linear regression initially, of the useful throughput curve (throughput) as a function of the parameters RSSI, RSRQ, RSRP, SNR input data and buffer memory(s) status report (eg BSR), in particular to exclude irrelevant input parameters and to calibrate during of a step 50 one or more linear regression polynomials
  • the exclusion of irrelevant input parameters implemented during step 48 is a preprocessing step aimed at finding correlations between the input parameters RSSI, RSRQ, RSRP, SNR and the ratio of state(s) of buffer(s) (e.g. BSR) and the output data corresponding to the useful bit rate via mathematical optimization models.
  • the throughput is "categorizable" by means of a confidence interval of ⁇ 10% between the estimated useful throughput and the actually observed useful throughput.
  • the prediction step 34 as such is implemented in the test phase and consists during a step 54 of applying the test inputs A acquired during step 32 as input to the model MAopt obtained at the end of the training phase by linear regression to obtain during a step 56 a prediction PA of the associated QoS.
  • Figure 4 corresponds to variant 30B where the machine learning model M is obtained by using a neural network.
  • a step 58 of collecting a set of training data is also performed beforehand.
  • training data was also collected during measurements during tests.
  • Such training data advantageously present a wide variety of measurement results constituting weakly correlated training and test samples, which increases the relevance of the prediction model M obtained.
  • Step 58 results in the formation 59 of a training database DBB comprising in particular the variables (i.e. metrics) RSRQ, RSSI, RSRP, SNR mentioned above and also, advantageously according to the invention, the status reports ) buffer memory(s), in particular of the BSR type, corresponding to the transmission queue report(s) of each terminal considered.
  • variables i.e. metrics
  • the prediction model M is trained by using a neural network, corresponding according to a particular variant to a multilayer perceptron MLP (Multi-Layer Perceptron), depending on the parameters input, RSRQ, buffer memory(s) state(s) report (eg BSR), RSSI, SNR and RSRP in order in particular to parameterize the hyper-parameters of such a multilayer MLP perceptron in terms weight, number of layers, number of perceptrons by layer, of batch size, in particular by regularization of the "L2" type (minimizing the norm two (ie Euclidean) of the parameters of the MLP) or "drop out” (consisting in randomly ignoring a part of the neurons during the phase of calculating the gradients of parameters, and as introduced by N. Srivastava et al in the article "Dropout: A simple way to prevent neural networks from overfitting" 2014), to define the importance of a perceptron .
  • MLP Multi-Layer Perceptron
  • each weight of the multilayer perceptron MLP is associated with one of the five RSRQ input data, the buffer memory(s) state(s) report (e.g. BSR ), RSSI, SNR and RSRP.
  • the multilayer perceptron MLP is in particular formed of three layers 60, 62, 64 corresponding respectively to the input layer 60 (from the English input layer), to a hidden layer 62 (from the 'English hidden layer), and an output layer 64 (English output layer).
  • the multilayer perceptron MLP outputs an estimate 60 of at least one QoS parameter, such as the bit rate, associated E-T, to be compared with the same corresponding QoS parameter(s), such as the bit rate, M T 68 which has (have) been effectively measured in relation to said input set, in particular via a comparator 70
  • the comparator 70 transmits the difference 72 (i.e.
  • a backpropagation module 74 B capable of transmitting an update 74 of the weights to the a input layer 60 before the next training iteration performed from a distinct input data quintuplet.
  • the prediction step 34 as such is implemented in the test phase and consists during a step 78 of applying the test inputs acquired A during step 32 as input to the model M Bo pt obtained at the end of the training phase by using a neural network to obtain during a step 80 a prediction PB of the associated QoS.
  • the periodicity of re-evaluation of the weights corresponds to a compromise between stability and reactivity, based on the evaluation of the importance of the long-term data in relation to the short-term data stored progressively in the training database DBA or DB B .
  • a re-evaluation of the weights is implemented each time the training database DBA OR DBB is updated (ie enriched).
  • a re-evaluation of the weights is implemented taking into account a distribution (i.e. a weighting) associated with the dating of the data stored in the DBA OR DBB training database, for example 20% for so-called “long-term” training data (i.e. distant from the date of reassessment beyond a predetermined time threshold) and 80% for so-called “short-term” training data, for example.
  • a distribution i.e. a weighting
  • the present invention thus proposes a solution for enriching the "radio" view of the QoS in progress by exploiting in real time the state of the transmission queues (Buffer) and its adequacy with the needs of the applications, and for evaluating/quantifying/ characterize the current and future QoS offered by the network to make proactive decisions to adapt its connectivity and/or application flows.
  • Buffer transmission queues
  • the solution proposed according to the present invention is based on information available in the radio components of the terminal UE capable of being made accessible by a software interface.
  • the proposed solution can be worn on different types of connected objects, in particular compliant with 4G/LTE, 5G or even beyond technology.
  • the terminals are satisfied with the quality of service granted to them by the network infrastructure without usually having any real a priori knowledge but only an experience to usage, and the present invention makes it possible to remedy this by being, according to a preferential variant, directly implemented in a terminal UE, so as to precisely allow the terminal UE to have a reliable prediction thereof.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

Procédé de prédiction de la qualité de service d'un réseau de communication, produit programme d'ordinateur et dispositif électronique de prédiction associés L'invention concerne un procédé de prédiction (30) de la qualité de service d'un réseau, et comprenant les étapes suivantes : - acquisition (32) d'au moins deux entrée associées au même instant t comprenant : - au moins une métrique descriptive du réseau mesurée par un terminal présent au sein dudit réseau, et - au moins un rapport d'état(s) de mémoire(s) tampon(s) dudit terminal représentatif de la quantité restante de données à transmettre; - à partir desdites au moins deux entrées, prédiction (36) de ladite qualité de service associée à l'instant t, par application desdites au moins deux entrées en entrée d'un modèle d'apprentissage machine (M) préalablement entraîné à partir de données d'entrainement, préalablement collectées, et comprenant une pluralité de qualité(s) de service réellement préalablement observées.

Description

TITRE : Procédé de prédiction de la qualité de service d’un réseau de communication, produit programme d’ordinateur et dispositif électronique de prédiction associés
La présente invention concerne un procédé de prédiction de la qualité de service d’un réseau de communication, ledit procédé étant propre à être mis en œuvre par un dispositif électronique de prédiction de la qualité de service d’un réseau de communication, un produit programme d’ordinateur, et un dispositif électronique de détection associé.
L’invention se situe dans le domaine des terminaux mobiles exploitant une technologie de communication via un réseau de communication cellulaire ou encore Wi-Fi. En particulier, un tel réseau de communication correspond à un réseau d’accès radio large bande de nouvelles génération tel qu’un réseau de quatrième ou cinquième génération voire de génération ultérieure et notamment le réseau de communication de quatrième génération conforme à la norme LTE (de l’anglais Long Term Evolution) définie par l’organisme de normalisation 3GPP (de l’anglais 3rd Generation Partnership Project).
Un tel réseau de communication LTE comporte un ou plusieurs gestionnaire(s) de qualité de service, également appelés PCRF (de l’anglais Policy Charging and Rules Function) selon la norme LTE et intégrés à un cœur de réseau appelé EPC (de l’anglais Evolved Packet Core) selon la norme LTE, une ou plusieurs passerelle(s) de réseau et une ou plusieurs station(s) de base, également appelées eNodeB (de l’anglais evolved Node B) selon la norme LTE, chaque passerelle de réseau étant reliée, d’une part, à un gestionnaire de qualité de service, et d’autre part, à une ou plusieurs stations de base.
Le réseau de communication LTE présente une architecture distribuée en une pluralité de sites radio, chaque site radio comportant sa ou ses propres stations de base, voire uniquement une ou plusieurs tête(s) radio à distance (RRH de l’anglais Remote Radio Head), le cœur de réseau EPC étant généralement centralisé dans l’infrastructure de l’opérateur.
Le terminal ou encore objet connecté, également appelé UE (de l’anglais User Equipment) selon la norme LTE, est propre à être connecté à une station de base et à être relié à une passerelle via la station de base, ladite passerelle étant fonction de la localisation du terminal.
De manière générale, un UE est un système électronique réactif tributaire de la qualité de service, également appelée QoS (de l’anglais Quality of Service) imposée ou disponible d’un tel réseau de communication, notamment de quatrième génération à architecture distribuée, afin de servir au mieux les applicatifs dont l’UE assure la connectivité.
Par la suite, par qualité de service on entend un indicateur ou un groupe d’indicateurs de performance de la communication (exemple disponibilité, débit utile, délais de transmission, gigue, taux de perte de paquets, etc.)
Les solutions actuelles proposent d’exploiter une ou plusieurs donnée(s), grandeur ou encore métrique(s) liée(s) à la couverture radio d’un terminal UE, telle que par exemple une métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau, une métrique RSSI correspondant à un indicateur d’intensité reçue, une métrique RSRP correspondant à la puissance reçue du signal de référence, une métrique SNR correspondant au rapport signal à bruit, etc. pour estimer le débit de communication associé (de l’anglais throughput).
Autrement dit, les solutions actuelles établissent une corrélation entre une/des grandeurs radio (RSSI, RSRQ, ...) et le débit sans permettre une détermination globale de la qualité de service QoS accessible au niveau applicatif, et également sans tenir compte de l’occupation, par d’autres terminaux mobiles UEs, de la cellule de communication où est présent le terminal UE considéré.
Autrement dit, la vision partielle de la qualité de service QoS réelle évaluée actuellement au moyen du seul débit sur la base d’analyse de paramètres et de caractéristiques de la liaison radio utilisée par un terminal UE considéré, ne permet pas à cet UE considéré d’obtenir localement (i.e. au sein même de l’UE) une modélisation précise et fiable de l’impact de la qualité de service de la communication cellulaire ou Wi-Fi sur la qualité d’expérience au niveau applicatif mobile.
Le but de l’invention est donc de proposer un procédé de prédiction de la qualité de service d’un réseau de communication propre à fournir à un UE une prédiction de qualité de service en tant que telle, et non partielle telle que fournie actuellement, afin d’en informer en temps réel les applicatifs pour lesquels l’UE assure le service de communication, ceux- ci sont alors propres à adapter leurs besoins à cette qualité de service ainsi estimée.
À cet effet, l’invention a pour objet un procédé de prédiction de la qualité de service d’un réseau de communication, ledit procédé étant propre à être mis en œuvre par un dispositif électronique de prédiction de la qualité de service d’un réseau de communication, le procédé comprenant les étapes suivantes :
- acquisition d’au moins deux données d’entrée associées au même instant / comprenant :
- au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau, et - au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal représentatif de la quantité restante de données à transmettre ;
- à partir desdites au moins deux entrées associées au même instant t, prédiction de ladite qualité de service associée à l’instant t, par application desdites au moins deux entrées associées au même instant t en entrée d’un modèle d’apprentissage machine préalablement entraîné à partir d’un ensemble de données d’entrainement, préalablement collectées au cours d’une période prédéterminée préalable audit instant t, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.
Avantageusement, le procédé de prédiction de la qualité de service tient ainsi compte, en plus des informations de couverture radio correspondant à une ou plusieurs métrique(s) descriptive(s) du réseau de communication vue(s) par un terminal UE considéré, de l’état de la file d’émission de paquets de données (i.e. mémoire tampon et en anglais buffer) du terminal UE considéré, l’état de chaque buffer étant accessible au sein d’un rapport d’état de mémoire tampon, notamment BSR (de l’anglais Buffer Status Report), contenant de l’information sur la quantité de paquets de données restants à transmettre par flux (i.e. flot de données) et notamment classiquement utilisé par une station de base, en particulier appelée eNodeB (de l’anglais evolved Node B) selon la norme LTE, pour adapter sa façon de servir un terminal UE.
Par la suite par « rapport d’état(s) de mémoire(s) tampon(s) correspondant à un BSR », on entend l’élément d’information qu’un terminal génère à partir de la taille de ses buffers d’émission et qu’il envoie à la station de base (eNB) 4G/LTE à laquelle il est associé afin que celle-ci puisse (éventuellement) tenir compte des données en attente d’émission pour accorder des « jetons » de parole sur la liaison radio.
Autrement dit, la présente invention propose une exploitation supplémentaire et complémentaire en temps réel du ou des rapport(s) d’état(s) de mémoire(s) tampon, notamment de type BSR, à des fins de prédiction de la qualité de service QoS instantanée dont l’UE dispose et de la qualité d’expérience QoE (de l’anglais Quality of Experience) accessible aux applications pour lesquels l’UE assure le service de communication, le ou les rapport(s) d’état(s) de mémoire(s) tampon, notamment BSR, étant indicateur(s) du service offert localement à ces applications.
En d’autres termes, la présente invention propose de détourner localement (dans le terminal) les informations de ce BSR, et en particulier la taille du buffer d’émission du terminal du BSR, pour être en mesure, après traitement, de prédire la qualité de service dont le terminal dispose sur la liaison radio (i.e. le lien). Ainsi, l’exploitation en temps réel du ou des rapport(s) d’état(s) de mémoire(s) tampon, notamment BSR, proposée selon la présente invention permet d’enrichir la perception et la compréhension de la qualité de service QoS instantanément accessible par le terminal UE considéré, ce qui permet en outre de tenir compte de l’engorgement de la cellule courante dans laquelle est localisé le terminal UE considéré, notamment pour anticiper des évènements de perte de connectivité, ou une qualité de service QoS insuffisante, et ce afin d’améliorer la qualité d’expérience QoE de l’utilisateur.
Le procédé de prédiction de la qualité de service d’un réseau de communication peut également présenter une ou plusieurs des caractéristiques ci-dessous, prises indépendamment ou selon toutes les combinaisons techniquement envisageables :
- ladite au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau appartient au groupe comprenant au moins :
- une métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau ;
- une métrique RSSI correspondant à un indicateur d’intensité reçu;
- une métrique RSRP correspondant à la puissance reçue du signal de référence ;
- une métrique SNR correspondant au rapport signal à bruit ;
- ladite au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau correspond au moins à la métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau ;
- ledit modèle d’apprentissage machine est obtenu par régression linéaire ou par utilisation d’un réseau de neurones ;
- ledit réseau de neurones est un perceptron multicouche ;
- ledit procédé comprend en outre, en utilisant ledit modèle d’apprentissage machine préalablement entraîné, une étape de prédiction supplémentaire :
- d’un contexte radio postérieur par prédiction d’un ensemble d’au moins deux données radio postérieures comprenant au moins une métrique postérieure descriptive du réseau de communication propre à être offerte à un terminal dudit réseau, et un rapport postérieur d’état(s) de mémoire(s) tampon(s) dudit terminal, et/ou
- d’une qualité de service postérieure ; le contexte radio postérieur et/ou la qualité de service postérieure étant associé(s) à un instant postérieur audit instant t ;
- ledit procédé est réitéré périodiquement et comprend en outre :
- la détermination et la mémorisation de la précision associée à chaque prédiction,
- la mise à jour dudit modèle d’apprentissage machine en utilisant la précision associée à chaque prédiction, ladite mise à jour étant mise en œuvre après mémorisation d’un nombre prédéterminé de précisions respectivement associées à des prédictions distinctes ;
- ledit procédé comprend en outre une étape de transmission de chaque prédiction au niveau applicatif du terminal.
Selon un autre aspect, l’invention concerne également un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un procédé de prédiction de la qualité de service d’un réseau de communication tel que défini ci-dessus.
Selon un autre aspect, l’invention concerne également un support d’information sur lequel sont stockées des instructions logicielles configurées pour mettre en œuvre un tel procédé lorsque les instructions logicielles sont exécutées par un processeur
Selon un autre aspect, l’invention concerne un dispositif électronique de prédiction de la qualité de service d’un réseau de communication, le dispositif comprenant :
- un module d’acquisition configuré pour acquérir au moins deux données d’entrée comprenant :
- au moins une métrique descriptive du réseau de communication mesurée à un instant t par un terminal présent au sein dudit réseau, et
- au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal, ledit rapport étant associé au même instant t et représentatif de la quantité restante de données à transmettre ;
- un module de prédiction configuré pour prédire, à partir desdites au moins deux entrées associées au même instant t, ladite qualité de service associée à l’instant t, par application desdites au moins deux entrées en entrée d’un modèle d’apprentissage machine préalablement entraîné à partir d’un ensemble de données d’entrainement, préalablement collectées au cours d’une période prédéterminée préalable audit instant t, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.
D’autres caractéristiques et avantages de l’invention ressortiront de la description qui en est donnée ci-dessous, à titre indicatif et nullement limitatif, en référence aux figures annexées, parmi lesquelles :
[Fig 1] la figure 1 illustre schématiquement un dispositif électronique de prédiction de la qualité de service d’un réseau de communication selon un mode de réalisation de l’invention ;
[Fig 2] la figure 2 est un organigramme général d’un procédé de prédiction de la qualité de service d’un réseau de communication; [Fig 3] [Fig 4] les figures 3 et 4 illustrent respectivement deux variantes de mise en œuvre du procédé illustré par la figure 2.
La figure 1 illustre schématiquement un dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication, selon un mode de réalisation de l’invention, vue par un terminal UE considéré et non représenté.
Selon une première variante, préférentielle, un tel dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication est propre à être embarqué directement au sein d’un terminal UE, non représenté, du réseau de communication également non représenté sur la figure 1 , de sorte à lui permettre de déterminer localement une modélisation précise de l’impact de la communication cellulaire ou Wi-Fi sur la qualité d’expérience au niveau applicatif mobile.
Autrement dit, selon cette première variante, la présente invention est mise en œuvre directement dans un terminal UE, ce qui est innovant par rapport à l’état de la technique actuel. En effet, avec les technologies cellulaires 4G et les technologies cellulaires des générations ultérieures post 4G, les terminaux sont assouvis à la qualité de service que leur accorde l’infrastructure réseau sans en avoir le plus souvent une réelle connaissance a priori mais uniquement une expérience à l’usage, et la présente invention permet d’y remédier.
Un tel dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication comprend tout d’abord, un module d’acquisition 12 configuré pour acquérir au moins deux données d’entrée comprenant :
- au moins une métrique descriptive du réseau de communication mesurée à un instant tpar un terminal présent au sein dudit réseau, et
- au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal UE considéré, ledit rapport étant associé au même instant t et représentatif de la quantité restante de données à transmettre.
Selon une première variante particulière, ladite au moins une métrique descriptive du réseau de communication (i.e. donnée(s), grandeur ou encore métrique(s) liée(s) à la couverture radio du terminal UE considéré) mesurée par le terminal UE considéré présent au sein dudit réseau de communication, non représenté, appartient au groupe comprenant au moins :
- une métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau ;
- une métrique RSSI correspondant à un indicateur d’intensité reçu;
- une métrique RSRP correspondant à la puissance reçue du signal de référence ;
- une métrique SNR correspondant au rapport signal à bruit. Autrement dit, selon cette première variante, le module d’acquisition 12 est propre à acquérir une combinaison de différents types d’informations combinant d’une part au moins un rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, dudit terminal UE considéré, et d’autre part une ou plusieurs des métriques radio précitées.
Selon une deuxième variante, ladite au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau correspond au moins à la métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau.
Autrement dit, selon cette deuxième variante, le module d’acquisition 12 est propre à acquérir une combinaison de différents types d’informations combinant d’une part au moins un rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, dudit terminal UE considéré, et d’autre part une ou plusieurs des métriques radio précitées comprenant nécessairement au moins la métrique RSRQ.
De plus, le dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication selon la présente invention comprend un module de prédiction 14 configuré pour prédire, à partir desdites au moins deux entrées associées au même instant t, ladite qualité de service associée à l’instant t, par application desdites au moins deux entrées en entrée d’un modèle d’apprentissage machine préalablement entraîné à partir d’un ensemble de données d’entrainement, préalablement collectées au cours d’une période prédéterminée préalable audit instant t, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.
Selon un aspect particulier décrit plus en détail par la suite en relation avec les figures 3 et 4, le modèle d’apprentissage machine est obtenu par régression linéaire ou par utilisation d’un réseau de neurones, correspondant selon une variante particulière à un perceptron multicouche.
En complément facultatif, le dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication selon la présente invention comprend également un module 16 de détermination et de mémorisation configuré pour déterminer et mémoriser la précision associée à chaque prédiction, et un module 18 de mise à jour configuré pour mettre à jour ledit modèle d’apprentissage machine en utilisant la précision associée à chaque prédiction, ladite mise à jour étant mise en œuvre après mémorisation d’un nombre prédéterminé de précisions respectivement associées à des prédictions distinctes.
En complément facultatif, le dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication selon la présente invention comprend également un module 20 d’émission/réception configuré pour transmettre chaque prédiction au niveau applicatif du terminal, et le cas échéant, notamment lorsque le dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication est propre à être externe au terminal UE, pour recevoir, du terminal UE considéré, ladite au moins une métrique descriptive du réseau de communication (i.e. donnée(s), grandeur ou encore métrique(s) liée(s) à la couverture radio.
Dans l’exemple de la figure 1 , le dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication selon la présente invention comprend une unité de traitement d’informations 22 formée par exemple d’une mémoire 24 et d’un processeur 26 associé à la mémoire 24.
Dans l’exemple de la figure 1 , le module d’acquisition 12, le module de prédiction 14, et optionnellement le module de détermination et de mémorisation 16, le module de mise à jour 18 sont réalisés chacun sous forme d’un logiciel, ou d’une brique logicielle, exécutables par le processeur 26. La mémoire 24 du dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication selon la présente invention est alors apte à stocker un logiciel d’acquisition, un logiciel de prédiction, et optionnellement un logiciel de détermination et de mémorisation, et un logiciel de mise à jour. Le processeur 26 est alors apte à exécuter chacun des logiciels parmi le logiciel d’acquisition, le logiciel de prédiction, et optionnellement le logiciel de détermination et de mémorisation, et le logiciel de mise à jour.
En variante non représentée, le module d’acquisition 12, le module de prédiction 14, et optionnellement le module de détermination et de mémorisation 16, le module de mise à jour 18 sont réalisés sont réalisés chacun sous forme d’un composant logique programmable, tel qu’un FPGA (de l’anglais Field Programmable Gate Array), ou encore sous forme d’un circuit intégré dédié, tel qu’un ASIC (de l’anglais Application Specific Integrated Circuit).
Lorsque le dispositif électronique 10 de prédiction de la qualité de service d’un réseau de communication selon la présente invention est réalisé sous forme d’un ou plusieurs logiciels, c’est-à-dire sous forme d’un programme d’ordinateur, il est en outre apte à être enregistré sur un support d’information, non représenté, lisible par ordinateur. Le support d’information lisible par ordinateur est par exemple, un médium apte à mémoriser des instructions électroniques et à être couplé à un bus d’un système informatique. A titre d’exemple, le support d’information lisible est un disque optique, un disque magnéto- optique, une mémoire ROM, une mémoire RAM, tout type de mémoire non volatile (par exemple EPROM, EEPROM, FLASH, NVRAM), une carte magnétique ou une carte optique. Sur le support lisible est alors mémorisé un programme d’ordinateur comprenant des instructions logicielles. La figure 2 est un organigramme général d’un procédé 30 de prédiction de la qualité de service d’un réseau de communication selon un mode de réalisation de la présente invention.
Plus précisément, le procédé de prédiction 30 selon la présente invention comprend tout d’abord une première étape 32, mise en œuvre par le module d’acquisition 12 précité, pour acquérir au moins deux données d’entrée associées au même instant / comprenant :
- au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau, et
- au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal représentatif de la quantité restante de données à transmettre.
Selon un aspect particulier, une telle acquisition A (i.e. récupération) de données est mise en œuvre périodiquement par le module d’acquisition 12 du dispositif électronique 10 de prédiction de la qualité de service auprès d’un terminal considéré.
Ladite au moins une métrique descriptive du réseau de communication mesurée par le terminal considéré appartient au groupe comprenant au moins :
- une métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau ;
- une métrique RSSI correspondant à un indicateur d’intensité reçu;
- une métrique RSRP correspondant à la puissance reçue du signal de référence ;
- une métrique SNR correspondant au rapport signal à bruit.
Le module d’acquisition 12 est par exemple configuré pour acquérir simultanément une, deux, trois, voire quatre des métriques RSRQ, RSSI, RSRP, SNR précitées. Autrement dit, au cours de cette étape 32 mise en œuvre périodiquement, le module d’acquisition 12 récupère d’une part un ensemble comprenant au moins une métrique descriptive du réseau de communication mesurée par le terminal considéré.
Selon un aspect particulier, cet ensemble comprend au moins la métrique RSRQ.
D’autre part, au cours de cette étape 32 mise en œuvre périodiquement, le module d’acquisition 12 récupère également au moins un rapport d’état(s) de mémoire(s) tampon(s), notamment BSR (de l’anglais Buffer Status Report), dudit terminal représentatif de la quantité restante de données à transmettre. Un tel rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, correspond classiquement à une information, générée par le terminal considéré, sur la quantité de paquets de données restants à transmettre par flot de données (i.e. le BSR est une donnée du contexte d’un flot de données du terminal UE) et est notamment classiquement transmis à et utilisé par une station de base, en particulier appelée eNodeB (de l’anglais evolved Node B) selon la norme LTE, pour que ladite station de base eNodeB adapte sa façon de servir un terminal UE (i.e. adapte les ressources montantes au flot de donnée considéré, et ce dans la limite de la capacité de l’eNodeB et du contrat de qualité de service Qos négocié et associé).
Selon la présente invention, un tel rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, est un indicateur permettant localement au terminal considéré de se construire une vision du service offert par le réseau de communication à ses applications, et combiné avec l’ensemble précité d’au moins une métrique descriptive du réseau de communication mesurée par le terminal considéré forme des données d’entrée relatives au contexte cellulaire notamment pour un réseau de communication conforme à la norme LTE. Autrement dit, l’acquisition 32 et l’exploitation du rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, au niveau du terminal UE lui permet, de manière autonome, d’évaluer les ressources nécessaires par service offert par l’infra LTE considéré.
Par exemple, en présence d’un rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, indiquant une taille de buffer vide, le terminal UE détermine qu’il sera en capacité de transmettre aisément des données qu’il souhaite transmettre ce qui reflète une qualité de service QoS adaptée (i.e. une « bonne » QoS) à ses propres besoins. Il en est de même lorsque le rapport d’état(s) de mémoire(s) tampon(s), notamment BSR indique que la taille du buffer diminue ce qui montre que les ressources radio allouées au terminal UE sont plus que suffisantes et que la qualité de service QoS est adaptée (i.e. une « bonne » QoS). En revanche, un rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, indiquant que la taille du buffer augmente montre que les ressources radio allouées au terminal UE sont insuffisantes et que la qualité de service QoS est inadaptée (i.e. une « mauvaise » QoS).
Autrement dit, au fur et à mesure du temps, le terminal UE détermine d’une itération à l’autre les variations du BSR pour conclure à une diminution/augmentation de la taille du buffer (i.e. par rapport au BSR précédent associé à un instant précédent l’instant courant de détermination). Les variations de BSR sont donc utilisées comme données pour la phase de prédiction décrite par la suite. Ainsi, un buffer d’émission de taille constante (i.e. avec un taux de remplissage constant) traduit une adéquation entre la demande de communication de la part des applicatifs (i.e. données générées par les applicatifs et à transmettre) et l’offre du canal de transmission (i.e. les performances de la liaison sans fil), autrement dit la qualité de service. En revanche si la taille de ce buffer augmente (i.e. si son taux de remplissage augmente), cela traduit une sous-capacité de transmission.
Un tel rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, est disponible au niveau des couches de communications cellulaires (i.e. de niveau inférieur à trois au sens du modèle OSI) de l’UE. Selon la présente invention, l’utilisation de la métrique RSRQ combinée au rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, est performante pour une estimation de la qualité de service QoS sur les technologies cellulaires 4G et 5G. La présente invention prévoit d’intégrer d’autres paramètres d’entrées au modèle d’apprentissage par machine tel que les RSSI, RSRP, SNR ou tout autre métrique pertinente associée à la technologie ultérieure considérée.
A titre d’alternative, une telle acquisition 32 est mise en œuvre sur requête du module d’acquisition 12 auprès du terminal considéré.
Selon le mode de réalisation de la figure 2, le procédé 30 comprend ensuite une phase 34 de prédiction P mise en œuvre par le module de prédiction 14 précité.
Ladite phase de prédiction 34 comprend au moins à partir desdites au moins deux entrées associées au même instant t, une première étape 36 de prédiction Pi de ladite qualité de service associée à l’instant t, par application desdites au moins deux entrées associées au même instant t en entrée d’un modèle d’apprentissage machine M préalablement entraîné au cours d’une phase d’entrainement T à partir d’un ensemble de données d’entrainement, préalablement collectées au cours d’une période prédéterminée préalable audit instant t, l’ensemble de données d’entrainement comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.
Plus précisément, au sein de cet ensemble de données d’entrainement, chaque qualité de service réellement observée est associée à :
- un instant préalable respectif et distinct dudit instant t, et à
- au moins deux données d’entrées comprenant ladite au moins une métrique descriptive du réseau de communication mesurée audit instant préalable par un terminal présent au sein dudit réseau, et ledit rapport d’état de tampon dudit terminal, ledit rapport étant associé au même instant préalable.
Selon un aspect particulier optionnel (représenté en pointillés) du mode de réalisation de la figure 2, le procédé 30 comprend en outre, en utilisant ledit modèle d’apprentissage machine M préalablement entraîné, une étape 38 de prédiction supplémentaire P2 :
- d’un contexte radio postérieur par prédiction d’un ensemble d’au moins deux données radio postérieures comprenant au moins une métrique postérieure descriptive du réseau de communication propre à être offerte à un terminal dudit réseau, et un rapport postérieur d’état(s) de mémoire(s) tampon(s) dudit terminal, et/ou
- d’une qualité de service postérieure ; le contexte radio postérieur et/ou la qualité de service postérieure étant associé(s) à un instant postérieur audit instant t
Autrement dit, cette étape 38 de prédiction supplémentaire correspond à la mise en œuvre d’une approche d’apprentissage machine (de l’anglais machine learning) pour déterminer une vision future du service propre à être offert par le réseau de communication considéré.
Comme détaillé par la suite en relation avec les figure 3 et 4, au cours de la phase d’entrainement T, le modèle d’apprentissage machine M est par exemple respectivement obtenu par régression linéaire ou par utilisation d’un réseau de neurones. Pour un modèle d’apprentissage machine M obtenu, par exemple, par régression linéaire, la phase d’entrainement correspond au calibrage de polynômes de régression linéaire notamment en termes de degrés et de poids, en fonction de la corrélation entre la qualité de service QoS réellement observée et chacune des variables d’entrées du contexte radio associées temporellement, tel que les variables d’entrées (i.e. métriques) RSRQ, RSSI, RSRP, SNR précitées, et au moins un rapport d’état(s) de mémoire(s) tampon(s), notamment BSR (de l’anglais Buffer Status Report), dudit terminal représentatif de la quantité restante de données à transmettre.
Selon le mode de réalisation de la figure 2, le procédé 30 est par ailleurs réitéré périodiquement et comprend en outre une étape 40 de détermination et de mémorisation D M de la précision associée à chaque prédiction Pi voire P2, et une étape 42 de mise à jour U du modèle d’apprentissage machine M en utilisant la précision associée à chaque prédiction Pi voire P2, ladite mise à jour U étant mise en œuvre après mémorisation d’un nombre prédéterminé de précisions respectivement associées à des prédictions Pi, voire P2 distinctes. Un tel nombre prédéterminé est par exemple égal à un, ce qui implique une mise à jour à chaque prédiction au moins Pi voire P2. Selon un autre exemple, un tel nombre prédéterminé est par exemple égal à dix, ce qui implique alors une mise à jour toutes les dix prédictions Pi.
De telles étapes 40 et 42, permettent d’auto-améliorer le modèle d’apprentissage machine M au cours du temps. En particulier, lorsque le modèle d’apprentissage machine M est obtenu par utilisation d’un réseau de neurones, les étapes 40 et 42 permettent un ajustement du réseau de neurones, notamment en termes de poids, par exemple par rétropropagation du gradient de la valeur de la fonction de coût par exemple (de l’anglais backpropagation) ou encore par calcul de la dérivée seconde, etc.
En complément optionnel, le procédé 30 comprend en outre une étape 44 de transmission E de chaque prédiction au niveau applicatif N-A du terminal considéré. Une telle étape optionnelle 44 permet une remontée d’information sur la qualité de service QoS prédite (i.e. prévue) afin que les applicatifs ajustent leur demande en fonction et dans la mesure du possible.
Ainsi, le procédé 30 selon la présente invention est basé sur l’exploitation additionnelle par rapport à l’état de la technique, d’état de files d’attente d’émission (buffers) du terminal considéré UE, cet état étant renseigné via le rapport d’état(s) de mémoire(s) tampon(s), notamment BSR, afin d’enrichir la vision et la compréhension de la qualité de service QoS accessible en temps réelle, voire future (i.e. prédiction du service à venir), et met en œuvre au préalable, via la phase d’entrainement T, la construction d’un modèle de prédiction de cette qualité de service QoS par des techniques d’apprentissage machine d’intelligence artificielle, tout en maintenant une consolidation continue de la performance du modèle M de prédiction par confrontation de ses résultats avec des observations.
Les figures 3 et 4 illustrent respectivement deux variantes de mise en œuvre du procédé 30 illustré par la figure 2.
En particulier, la figure 3 correspond à la variante 30A OÙ le modèle d’apprentissage machine M est obtenu par régression linéaire.
Selon cette variante 30A, une étape 46 de collecte d’un ensemble de données d’entrainement est effectuée au préalable. Par exemple, pour une application de téléconduite ferroviaire, des données d’entrainement ont par exemple été collectées lors de mesures au cours d’essais préalables. De telles données d’entrainement présentent avantageusement une grande variété de résultats de mesure constituant des échantillons d’entrainement, comme de test, faiblement corrélés ce qui augmente la pertinence du modèle M de prédiction obtenu.
L’étape 46 aboutit à la formation 47 d’une base de données d’entrainement DBA comprenant notamment les variables (i.e. métriques) RSRQ, RSSI, RSRP, SNR précitées et également, avantageusement selon l’invention, les rapports d’état(s) de mémoire(s) tampon(s), notamment BSR, correspondant au rapport de file(s) d’attente d’émission de chaque terminal considéré.
Lors de la phase d’entrainement T, le modèle M de prédiction est entrainé au cours d’une étape 48 par régression linéaire TMA, dans un premier temps, de la courbe de débit utile (de l’anglais throughput) en fonction des paramètres d’entrée RSSI, RSRQ, RSRP, SNR et le rapport d’état(s) de mémoire(s) tampon(s) (e.g. BSR), afin notamment d’exclure les paramètres d’entrée non pertinents et de calibrer au cours d’une étape 50 un ou plusieurs polynômes TPA de régression linéaire dont les poids et/ou le degrés sont optimisés OPT au cours d’une étape d’entrainement 52 de calcul des poids par minimisation d’une fonction de coût quantifiant l’erreur entre la donnée estimée et la donnée réelle. Cette valeur de fonction de coût est ensuite rétropropagée au cours d’une étape 54 d’entrainement pour améliorer au fil des itérations le modèle M de prédiction entraîné par régression linéaire TMA.
Plus précisément, l’exclusion des paramètres d’entrée non pertinents mis en œuvre au cours de l’étape 48 est une étape de prétraitement visant à trouver des corrélations entre les paramètres d’entrée RSSI, RSRQ, RSRP, SNR et le rapport d’état(s) de mémoire(s) tampon(s) (e.g. BSR) et la donnée de sortie correspondant au débit utile via des modèles d’optimisation mathématique. Selon un aspect le débit est « catégorisable » au moyen d’un intervalle de confiance de ±10% entre le débit utile estimé et le débit utile réellement observé.
Une fois le modèle M de prédiction entrainé et optimisé au cours de la phase d’entrainement T, l’étape de prédiction 34 en tant que telle est mise en œuvre en phase de test et consiste au cours d’une étape 54 à appliquer les entrées test acquises A au cours de l’étape 32 en entrée du modèle MAopt obtenu à l’issue de la phase d’entrainement par régression linéaire pour obtenir au cours d’une étape 56 une prédiction PA de la QoS associée.
La figure 4 correspond à la variante 30B OÙ le modèle d’apprentissage machine M est obtenu par utilisation d’un réseau de neurones.
Selon cette variante 30B, une étape 58 de collecte d’un ensemble de données d’entrainement est également effectuée au préalable. Par exemple, pour une application de téléconduite ferroviaire, des données d’entrainement ont par exemple également été collectées lors de mesures au cours d’essais. De telles données d’entrainement présentent avantageusement une grande variété de résultats de mesure constituant des échantillons d’entrainement, comme de test, faiblement corrélés ce qui augmente la pertinence du modèle M de prédiction obtenu.
L’étape 58 aboutit à la formation 59 d’une base de données d’entrainement DBB comprenant notamment les variables (i.e. métriques) RSRQ, RSSI, RSRP, SNR précitées et également, avantageusement selon l’invention les rapports d’état(s) de mémoire(s) tampon(s), notamment de type BSR, correspondant au rapport de file(s) d’attente d’émission de chaque terminal considéré.
Lors de la phase d’entrainement T, le modèle M de prédiction est entrainé par utilisation d’un réseau de neurones, correspondant selon une variante particulière à un perceptron multicouche MLP (de l’anglais Multi-Layer Perceptron), en fonction des paramètres d’entrée, RSRQ, le rapport d’état(s) de mémoire(s) tampon(s) (e.g. BSR), RSSI, SNR et RSRP afin notamment de paramétrer les hyper-paramètres d’un tel perceptron multicouche MLP en termes de poids, de nombre de couches, de nombre de perceptron par couche, de taille lot (de l’anglais batch), notamment par régularisation de type « L2 » (minimisant la norme deux (i.e. euclidienne) des paramètres du MLP) ou « drop out » (consistant à ignorer aléatoirement une partie des neurones durant la phase de calcul des gradients de paramètres, et tel qu’introduit par N. Srivastava et al dans l’article « Dropout: A simple way to prevent neural networks from overfitting » 2014), pour définir l’importance d’un perceptron.
En particulier, tel qu’illustré par la figure 4, chaque poids du perceptron multicouche MLP est associé à une des cinq données d’entrée RSRQ, le rapport d’état(s) de mémoire(s) tampon(s) (e.g. BSR), RSSI, SNR et RSRP. Selon l’exemple de la figure 4, le perceptron multicouche MLP est notamment formé de trois couches 60, 62, 64 correspondant respectivement à la couche d’entrée 60 (de l’anglais input layer), à une couche cachée 62 (de l’anglais hidden layer), et à une couche de sortie 64 (de l’anglais output layer).
Pendant la phase d’entrainement T de ce perceptron multicouche MLP, pour chaque ensemble d’entrées d’apprentissage fourni par la base de données d’entrainement DBB, un tel ensemble correspondant par exemple au quintuplet de données d’entrée RSRQ, le rapport d’état(s) de mémoire(s) tampon(s) (e.g. BSR), RSSI, SNR et RSRP, le perceptron multicouche MLP fourni en sortie une estimation 60 d’au moins un paramètre de QoS, tel que le débit, E-T associé, à comparer avec le ou les mêmes paramètre(s) de QoS correspondants, tel que le débit, M T 68 qui a (ont) été effectivement mesuré(s) en relation avec ledit ensemble d’entrée, notamment via un comparateur 70. Le comparateur 70 transmet l’écart 72 (i.e. l’erreur) observé entre estimation 60 dudit au moins un paramètre de QoS, tel que le débit, E-T et le ou les mêmes paramètre(s) de QoS correspondants, tel que le débit, M_T 68 à un module 74 de rétropropagation B (de l’anglais backpropagation) propre à transmettre une mise à jour 74 des poids à la couche d’entrée 60 avant l’itération d’entrainement suivante effectuée à partir d’un quintuplet de données d’entrée distinct.
Une fois le modèle M de prédiction entrainé et optimisé au cours de la phase d’entrainement T, l’étape de prédiction 34 en tant que telle est mise en œuvre en phase de test et consiste au cours d’une étape 78 à appliquer les entrées test acquises A au cours de l’étape 32 en entrée du modèle MBopt obtenu à l’issue de la phase d’entrainement par utilisation d’un réseau de neurones pour obtenir au cours d’une étape 80 une prédiction PB de la QoS associée.
Que ce soit pour la variante illustrée par la figure 3 ou celle illustrée par la figure 4, la périodicité de réévaluation des poids correspond à un compromis entre stabilité et réactivité, basé sur l’évaluation de l’importance des données long terme par rapport au données court terme stockées au fur et à mesure dans la base de données d’entrainement DBA ou DBB. Selon une première variante, une réévaluation des poids est mise en œuvre à chaque actualisation (i.e. enrichissement) de base de données d’entrainement DBA OU DBB.
Selon une deuxième variante, une réévaluation des poids est mise en œuvre en tenant compte d’une répartition (i.e. d’une pondération) associée à la datation des données stockées la base de données d’entrainement DBA OU DBB, par exemple 20% pour des données d’entrainement dites « long terme » (i.e. distante de la date de réévaluation au- delà d’un seuil temporel prédéterminé) et 80% pour des données d’entrainement dites « court terme » par exemple.
L’homme du métier comprendra que l’invention ne se limite pas aux modes de réalisation décrits, ni aux exemples particuliers de la description, les modes de réalisation et les variantes mentionnées ci-dessus étant propres à être combinés entre eux pour générer de nouveaux modes de réalisation de l’invention.
La présente invention propose ainsi une solution pour enrichir la vision « radio » de la QoS en cours en exploitant en temps réel l’état des files d’émission (Buffer) et son adéquation avec le besoin des applicatifs, et pour évaluer/quantifier/caractériser la QoS en cours et future offerte par le réseau pour prendre des décisions proactives d’adaptation de sa connectivité et/ou des flux applicatifs.
De plus, la solution proposée selon la présente invention est fondée sur des informations disponibles dans les composants radio du terminal UE propres à être rendues accessibles par une interface logicielle. Ainsi la solution proposée peut être portée sur différents types d’objet connectés, notamment conformes à la technologie 4G/LTE, 5G voire au-delà.
Par ailleurs, avec les technologies cellulaires 4G et les technologies cellulaires des générations ultérieures post 4G, les terminaux sont assouvis à la qualité de service que leur accorde l’infrastructure réseau sans en avoir le plus souvent une réelle connaissance a priori mais uniquement une expérience à l’usage, et la présente invention permet d’y remédier en étant, selon une variante préférentielle directement mise en œuvre dans un terminal UE, de sorte à permettre justement au terminal UE d’en avoir une prédiction fiable.

Claims

REVENDICATIONS
1. Procédé de prédiction (30) de la qualité de service d’un réseau de communication, ledit procédé étant propre à être mis en œuvre par un dispositif électronique de prédiction de la qualité de service d’un réseau de communication, le procédé comprenant les étapes suivantes :
- acquisition (32) d’au moins deux données d’entrée associées au même instant t comprenant :
- au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau, et
- au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal représentatif de la quantité restante de données à transmettre ;
- à partir desdites au moins deux entrées associées au même instant t, prédiction (36) de ladite qualité de service associée à l’instant t, par application desdites au moins deux entrées associées au même instant t en entrée d’un modèle d’apprentissage machine (M) préalablement entraîné à partir d’un ensemble de données d’entrainement, préalablement collectées au cours d’une période prédéterminée préalable audit instant t, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.
2. Procédé (30) de prédiction selon la revendication 1 , dans lequel ladite au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau appartient au groupe comprenant au moins :
- une métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau ;
- une métrique RSSI correspondant à un indicateur d’intensité reçu;
- une métrique RSRP correspondant à la puissance reçue du signal de référence ;
- une métrique SNR correspondant au rapport signal à bruit.
3. Procédé (30) de prédiction selon la revendication 1 ou 2, dans lequel ladite au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau correspond au moins à la métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau.
4. Procédé (30) de prédiction selon l’une quelconque des revendications précédentes, dans lequel ledit modèle d’apprentissage machine (M) est obtenu par régression linéaire (30A) ou par utilisation (30B) d’un réseau de neurones.
5. Procédé (30) de prédiction selon la revendication 4 dans lequel ledit réseau de neurones est un perceptron multicouche.
6. Procédé (30) de prédiction selon l’une quelconque des revendications précédentes, dans lequel ledit procédé (30) comprend en outre, en utilisant ledit modèle d’apprentissage machine (M) préalablement entraîné, une étape (38) de prédiction supplémentaire :
- d’un contexte radio postérieur par prédiction d’un ensemble d’au moins deux données radio postérieures comprenant au moins une métrique postérieure descriptive du réseau de communication propre à être offerte à un terminal dudit réseau, et un rapport postérieur d’état(s) de mémoire(s) tampon(s) dudit terminal, et/ou
- d’une qualité de service postérieure ; le contexte radio postérieur et/ou la qualité de service postérieure étant associé(s) à un instant postérieur audit instant t.
7. Procédé (30) de prédiction selon l’une quelconque des revendications précédentes, dans lequel ledit procédé est réitéré périodiquement et comprend en outre :
- la détermination et la mémorisation (40) de la précision associée à chaque prédiction,
- la mise à jour (42) dudit modèle d’apprentissage machine en utilisant la précision associée à chaque prédiction, ladite mise à jour étant mise en œuvre après mémorisation d’un nombre prédéterminé de précisions respectivement associées à des prédictions distinctes.
8. Procédé (30) de prédiction selon l’une quelconque des revendications précédentes, dans lequel ledit procédé (30) comprend en outre une étape de transmission (44) de chaque prédiction au niveau applicatif du terminal.
9. Produit programme d’ordinateur comportant des instructions logicielles, qui lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre les étapes du procédé selon l’une quelconque des revendications précédentes.
10. Dispositif électronique de prédiction de la qualité de service d’un réseau de communication, le dispositif comprenant : 19
- un module d’acquisition (12) configuré pour acquérir au moins deux données d’entrée comprenant :
- au moins une métrique descriptive du réseau de communication mesurée à un instant tpar un terminal présent au sein dudit réseau, et - au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal, ledit rapport étant associé au même instant t et représentatif de la quantité restante de données à transmettre ;
- un module de prédiction (14) configuré pour prédire, à partir desdites au moins deux entrées associées au même instant t, ladite qualité de service associée à l’instant t, par application desdites au moins deux entrées en entrée d’un modèle d’apprentissage machine préalablement entraîné à partir d’un ensemble de données d’entrainement, préalablement collectées au cours d’une période prédéterminée préalable audit instant t, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.
EP22786806.4A 2021-09-23 2022-09-23 Titre : procédé de prédiction de la qualité de service d'un réseau de communication, produit programme d'ordinateur et dispositif électronique de prédiction associés Pending EP4406202A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2110023A FR3127351B1 (fr) 2021-09-23 2021-09-23 Procédé de prédiction de la qualité de service d'un réseau de communication, produit programme d'ordinateur et dispositif électronique de prédiction associés
PCT/EP2022/076497 WO2023046887A1 (fr) 2021-09-23 2022-09-23 Titre : procédé de prédiction de la qualité de service d'un réseau de communication, produit programme d'ordinateur et dispositif électronique de prédiction associés

Publications (1)

Publication Number Publication Date
EP4406202A1 true EP4406202A1 (fr) 2024-07-31

Family

ID=80113312

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22786806.4A Pending EP4406202A1 (fr) 2021-09-23 2022-09-23 Titre : procédé de prédiction de la qualité de service d'un réseau de communication, produit programme d'ordinateur et dispositif électronique de prédiction associés

Country Status (3)

Country Link
EP (1) EP4406202A1 (fr)
FR (1) FR3127351B1 (fr)
WO (1) WO2023046887A1 (fr)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118041945B (zh) * 2023-12-28 2025-04-11 北京神舟航天软件技术股份有限公司 一种航天分布式网络实时通信方法及系统
CN121013097A (zh) * 2024-05-21 2025-11-25 大唐移动通信设备有限公司 服务网络设备的确定方法、控制设备和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3991354A1 (fr) * 2019-06-30 2022-05-04 Telefonaktiebolaget Lm Ericsson (Publ) Estimation de métrique de qualité pour des flux de trafic sensibles à la latence dans des réseaux de communication
CN112637891B (zh) * 2020-12-23 2022-08-05 武汉船舶通信研究所（中国船舶重工集团公司第七二二研究所） 无线链路质量预测方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
WO2023046887A1 (fr) 2023-03-30
FR3127351B1 (fr) 2024-09-06
FR3127351A1 (fr) 2023-03-24

Similar Documents

Publication Publication Date Title
US9955488B2 (en) Modeling network performance and service quality in wireless networks
FR3103295A1 (fr) Méthode d’association d’équipements d’utilisateurs dans un réseau cellulaire au moyen d’un apprentissage par renforcement multi-agent
EP2061194B1 (fr) Procédé et système de gestion de communication
WO2023046887A1 (fr) Titre : procédé de prédiction de la qualité de service d'un réseau de communication, produit programme d'ordinateur et dispositif électronique de prédiction associés
FR2880508A1 (fr) Procede de mesure d'une distance entre deux equipements de radiocommunication, et equipement adapte pour mettre en oeuvre un tel procede
CN119155715B (zh) 一种基站网络侧传输路径的通信性能测试方法及系统
FR3114713A1 (fr) Méthode d’association d’équipements d’utilisateurs dans un réseau cellulaire selon une politique d’association transférable
Belmoukadam et al. ACQUA: A user friendly platform for lightweight network monitoring and QoE forecasting
EP2724575B1 (fr) Procede de contrôle de puissance dans les reseaux mobiles
WO2022023670A1 (fr) PROCÉDÉ DE FOURNITURE DE DONNÉES RELATIVES À AU MOINS UN ÉQUIPEMENT D'UN UTILISATEUR D'UN RÉSEAU, PROCÉDÉ D'OBTENTION DE DONNÉES, ET ENTITÉS METTANT EN œUVRE CES PROCÉDÉS
EP1473957B1 (fr) Procédé de sélection de canal de transmission dans un protocole d'accès multiple à répartition dans le temps et système de communication mettant en oeuvre un tel procédé
WO2005029118A1 (fr) Procede pour detecter la presence ou l’absence d’un terminal mobile sur un chemin
FR3095729A1 (fr) Procédés et dispositifs de mesure de réputation dans un réseau de communication
Kaup et al. Measuring and predicting cellular network quality on trains
FR3124916A1 (fr) Procédé de communication entre une station de base et au moins un équipement de communication, station de base, équipement de communication et programme d’ordinateur correspondants.
WO2025172472A1 (fr) Apprentissage fédéré pour la génération de données synthétiques de mobilité
WO2020128246A1 (fr) Procédé de détermination d'un chemin de transmission de données, et dispositif correspondant
WO2025008178A1 (fr) Procédé de prédiction d'une variation de qualité de service dans un réseau de télécommunication cellulaire, dispositif de prédiction et programme d'ordinateur correspondants
FR3159489A1 (fr) Apprentissage fédéré décentralisé pour la génération de données synthétiques de mobilité
CN121547370A (zh) 网络设备的流量控制方法、装置与电子设备
FR3167502A3 (fr) Génération d’une information descriptive d’une trace réseau dans un réseau de télécommunication
FR3167503A3 (fr) Génération d’une information descriptive d’une trace réseau dans un réseau de télécommunication
FR3167501A3 (fr) Génération d’une information descriptive d’une trace réseau dans un réseau de télécommunication
FR3167521A1 (fr) Génération d’une information descriptive d’une trace réseau dans un réseau de télécommunication
FR3167029A3 (fr) Support d’enregistrement pour un contrôle d’au moins un point d’accès à au moins un réseau sans fil

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20240322

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)