FR3127351A1 - METHOD FOR PREDICTING THE QUALITY OF SERVICE OF A COMMUNICATION NETWORK, COMPUTER PROGRAM PRODUCT AND ASSOCIATED ELECTRONIC PREDICTION DEVICE - Google Patents
METHOD FOR PREDICTING THE QUALITY OF SERVICE OF A COMMUNICATION NETWORK, COMPUTER PROGRAM PRODUCT AND ASSOCIATED ELECTRONIC PREDICTION DEVICE Download PDFInfo
- Publication number
- FR3127351A1 FR3127351A1 FR2110023A FR2110023A FR3127351A1 FR 3127351 A1 FR3127351 A1 FR 3127351A1 FR 2110023 A FR2110023 A FR 2110023A FR 2110023 A FR2110023 A FR 2110023A FR 3127351 A1 FR3127351 A1 FR 3127351A1
- Authority
- FR
- France
- Prior art keywords
- quality
- service
- prediction
- communication network
- 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.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004590 computer program Methods 0.000 title claims abstract description 6
- 239000000872 buffer Substances 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 11
- 230000000875 corresponding effect Effects 0.000 description 28
- 230000005540 biological transmission Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000001413 cellular effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000011867 re-evaluation Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
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
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. Figure pour l'abrégé : Figure 2Method for predicting the quality of service of a communication network, computer program product and associated electronic prediction device The invention relates to a method for predicting (30) the quality of service of a network, and comprising the following steps: - acquisition (32) of at least two inputs associated with the same instant t comprising: - at least one descriptive metric of the network measured by a terminal present within said network, and - at least one status report(s) ) memory(s) buffer(s) of said terminal representative of the remaining quantity of data to be transmitted; - from said at least two inputs, prediction (36) of said quality of service associated with time t, by applying said at least two inputs as input to a machine learning model (M) previously trained from training data, collected beforehand, and comprising a plurality of quality(ies) of service actually observed beforehand. Figure for the abstract: Figure 2
Description
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.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.
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’anglaisLong Term Evolution) définie par l’organisme de normalisation 3GPP (de l’anglais3rd Generation Partnership Project).The invention lies in the field of mobile terminals using a communication technology via a cellular communication network or even Wi-Fi. In particular, such a communication network corresponds to a new generation broadband radio access network such as than 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 body 3GPP ( 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’anglaisPolicy Charging and Rules Function) selon la norme LTE et intégrés à un cœur de réseau appelé EPC (de l’anglaisEvolved 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’anglaisevolved 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.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 (from the English 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.
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’anglaisRemote Radio Head), le cœur de réseau EPC étant généralement centralisé dans l’infrastructure de l’opérateur.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.
Le terminal ou encore objet connecté, également appelé UE (de l’anglaisUser 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.The terminal or connected object, also called UE (from the English 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.
De manière générale, un UE est un système électronique réactif tributaire de la qualité de service, également appelée QoS (de l’anglaisQuality 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.In general, 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 with distributed architecture, in order to best serve the applications for which the EU provides connectivity.
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.)Subsequently, by 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.)
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’anglaisthroughput).Current solutions propose to exploit one or more data(s), quantity or even metric(s) linked to the radio coverage of a terminal UE, such as for example an RSRQ metric corresponding to the reception quality of a network reference signal, an RSSI metric corresponding to a received intensity indicator, an RSRP metric corresponding to the received power of the reference signal, an SNR metric corresponding to the signal-to-noise ratio, etc. to estimate the associated communication 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.In other words, 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 occupation. , by other mobile terminals UEs, of the communication cell where the terminal UE in question is present.
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.In other words, 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.
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.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.
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 :To this end, 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:
- acquisition d’au moins deux données d’entrée associées au même instanttcomprenant :- acquisition of at least two input data associated with the same instant t comprising:
- au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau, et- at least one descriptive metric of the communication network measured by a terminal present within said network, and
- au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal représentatif de la quantité restante de données à transmettre; - at least one report of the state(s) of buffer memory(s) of said terminal representative of the remaining quantity of data to be transmitted ;
- à partir desdites au moins deux entrées associées au même instantt, prédiction de ladite qualité de service associée à l’instantt ,par application desdites au moins deux entrées associées au même instantten 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 instantt, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.- from said at least two inputs associated with the same instant t , prediction 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 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.
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 anglaisbuffer) 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’anglaisBuffer 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’anglaisevolved Node B) selon la norme LTE, pour adapter sa façon de servir un terminal UE.Advantageously, 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 (ie buffer memory and in English buffer ) of the terminal UE considered, the state of each buffer being accessible within a buffer memory state report, in particular BSR (from the English Buffer Status Report ), containing information on the quantity of data packets remaining to be transmitted per stream (ie 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.
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’anglaisQuality 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.In other words, 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. Instantaneous QoS available to the UE and the QoE quality of experience ( Quality of Experience ) accessible to the applications for which the UE provides the communication service, the status report(s) ) of buffer memory(s), in particular BSR, being indicator(s) of the service offered locally to these applications.
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.Thus, 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.
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 :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:
- 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 :- 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:
- une métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau ;- an RSRQ metric corresponding to the reception quality of a network reference signal;
- une métrique RSSI correspondant à un indicateur d’intensité reçu;- an RSSI metric corresponding to a received intensity indicator;
- une métrique RSRP correspondant à la puissance reçue du signal de référence ;- an RSRP metric corresponding to the received power of the reference signal;
- une métrique SNR correspondant au rapport signal à bruit ;- an SNR metric corresponding to the signal-to-noise ratio;
- 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 ;- 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;
- ledit modèle d’apprentissage machine est obtenu par régression linéaire ou par utilisation d’un réseau de neurones ;- said machine learning model is obtained by linear regression or by using a neural network;
- ledit réseau de neurones est un perceptron multicouche ;- said neural network is a multilayer perceptron;
- ledit procédé comprend en outre, en utilisant ledit modèle d’apprentissage machine préalablement entraîné, une étape de prédiction supplémentaire :- said method further comprises, using said previously trained machine learning model, an additional prediction step:
- 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- 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
- d’une qualité de service postérieure ;- a subsequent quality of service;
le contexte radio postérieur et/ou la qualité de service postérieure étant associé(s) à un instant postérieur audit instantt ; the subsequent radio context and/or the subsequent quality of service being associated with a time subsequent to said time t ;
- ledit procédé est réitéré périodiquement et comprend en outre :- said method is repeated periodically and further comprises:
- la détermination et la mémorisation de la précision associée à chaque prédiction,- determining and storing the accuracy associated with each prediction,
- 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 ;- updating said machine learning model using the precision associated with each prediction, said updating being implemented after storing a predetermined number of precisions respectively associated with distinct predictions;
- ledit procédé comprend en outre une étape de transmission de chaque prédiction au niveau applicatif du terminal.- said method further comprises a step of transmitting each prediction to the application level of the 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.According to another aspect, 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.
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 processeurAccording to another aspect, 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.
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 :According to another aspect, the invention relates to an electronic device for predicting the quality of service of a communication network, the device comprising:
- un module d’acquisition configuré pour acquérir au moins deux données d’entrée comprenant :- an acquisition module configured to acquire at least two input data comprising:
- au moins une métrique descriptive du réseau de communication mesurée à un instanttpar un terminal présent au sein dudit réseau, et- at least one descriptive metric of the communication network measured at a time t by a terminal present within said network, and
- au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal, ledit rapport étant associé au même instantt etreprésentatif de la quantité restante de données à transmettre; - at least one report of the state(s) of buffer memory(s) of said terminal, said report being associated with the same instant t and representative of the remaining quantity of data to be transmitted ;
- un module de prédiction configuré pour prédire, à partir desdites au moins deux entrées associées au même instantt, ladite qualité de service associée à l’instantt ,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 instantt, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.- 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.
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 :Other characteristics and advantages of the invention will emerge from the description given below, by way of indication and in no way limiting, with reference to the appended figures, among which:
La
Selon une première variante, 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
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 :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:
- au moins une métrique descriptive du réseau de communication mesurée à un instanttpar un terminal présent au sein dudit réseau, et- at least one descriptive metric of the communication network measured at a time t by a terminal present within said network, and
- au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal UE considéré, ledit rapport étant associé au même instantt etreprésentatif de la quantité restante de données à transmettre.- at least one report of the state(s) of buffer memory(s) of said terminal UE in question, said report being associated with the same instant t and representative of the remaining quantity of data to be transmitted.
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 :According to a first particular variant, 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) measured by the terminal UE considered present within said communication network, not shown, belongs to the group comprising at least:
- une métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau ;- an RSRQ metric corresponding to the reception quality of a network reference signal;
- une métrique RSSI correspondant à un indicateur d’intensité reçu;- an RSSI metric corresponding to a received intensity indicator;
- une métrique RSRP correspondant à la puissance reçue du signal de référence ;- an RSRP metric corresponding to the received power of the reference signal;
- une métrique SNR correspondant au rapport signal à bruit.- an SNR metric corresponding to the signal to noise ratio.
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.In other words, according to this first variant, 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.
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.According to a second variant, 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.
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.In other words, according to this second variant, 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.
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 instantt, ladite qualité de service associée à l’instantt ,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 instantt, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.In addition, the electronic device 10 for predicting the quality of service of a communication network according to the present invention 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.
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.According to a particular aspect described in more detail below in relation to FIGS. 3 and 4, 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 .
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.As an optional addition, the electronic device 10 for predicting the quality of service of a communication network according to the present invention 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.
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.As an optional addition, the electronic device 10 for predicting the quality of service of a communication network according to the present invention 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 for predicting the quality of service of a communication network is capable of 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 (i.e. data (s), magnitude or even metric(s) related to the radio coverage.
Dans l’exemple de la
Dans l’exemple de la
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’anglaisField Programmable Gate Array), ou encore sous forme d’un circuit intégré dédié, tel qu’un ASIC (de l’anglaisApplication Specific Integrated Circuit).In a variant not shown, 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 ).
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.When the electronic device 10 for predicting the quality of service of a communication network according to the present invention 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. By way of example, 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. On the readable medium is then stored a computer program comprising software instructions.
La
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 instanttcomprenant :More specifically, the prediction method 30 according to the present invention firstly comprises a first step 32, implemented by the aforementioned acquisition module 12, to acquire at least two input data associated with the same instant t comprising:
- au moins une métrique descriptive du réseau de communication mesurée par un terminal présent au sein dudit réseau, et- at least one descriptive metric of the communication network measured by a terminal present within said network, and
- au moins un rapport d’état(s) de mémoire(s) tampon(s) dudit terminal représentatif de la quantité restante de données à transmettre.- at least one buffer memory(s) status report of said terminal representative of the remaining quantity of data to be transmitted.
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.According to a particular aspect, such acquisition A (i.e. recovery) of data is implemented periodically by the acquisition module 12 of the electronic device 10 for predicting the quality of service with a terminal considered.
Ladite au moins une métrique descriptive du réseau de communication mesurée par le terminal considéré appartient au groupe comprenant au moins :Said at least one descriptive metric of the communication network measured by the terminal considered belongs to the group comprising at least:
- une métrique RSRQ correspondant à la qualité de réception d’un signal de référence du réseau ;- an RSRQ metric corresponding to the reception quality of a network reference signal;
- une métrique RSSI correspondant à un indicateur d’intensité reçu;- an RSSI metric corresponding to a received intensity indicator;
- une métrique RSRP correspondant à la puissance reçue du signal de référence ;- an RSRP metric corresponding to the received power of the reference signal;
- une métrique SNR correspondant au rapport signal à bruit.- an SNR metric corresponding to the signal to noise ratio.
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.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.
Selon un aspect particulier, cet ensemble comprend au moins la métrique RSRQ.According to a particular aspect, this set comprises at least the RSRQ metric.
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’anglaisBuffer 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’anglaisevolved 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).On the other hand, during this step 32 implemented periodically, 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. 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 uplink resources to the data flow considered, and this within the limit of the capacity of the eNodeB and the quality of service contract Qos negotiated and associated) .
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.According to the present invention, 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. In other words, 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.
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 est en 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).For example, in the presence of a buffer memory(s) status report, in particular BSR, indicating an empty buffer size, 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. The same applies when the buffer memory(s) status report, in particular BSR, 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). On the other hand, 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).
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.Such a report of the state(s) of buffer(s), in particular BSR, is available at the level of the cellular communications layers (i.e. of level less than three in the sense of the OSI model) of the 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.According to the present invention, 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.
A titre d’alternative, une telle acquisition 32 est mise en œuvre sur requête du module d’acquisition 12 auprès du terminal considéré.As an alternative, such an acquisition 32 is implemented on request from the acquisition module 12 to the terminal in question.
Selon le mode de réalisation de la
Ladite phase de prédiction 34 comprend au moins à partir desdites au moins deux entrées associées au même instantt, une première étape 36 de prédiction P1de ladite qualité de service associée à l’instantt ,par application desdites au moins deux entrées associées au même instantten 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 instantt, l’ensemble de données d’entrainement comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.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 P 1 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.
Plus précisément, au sein de cet ensemble de données d’entrainement, chaque qualité de service réellement observée est associée à :More specifically, within this set of training data, each quality of service actually observed is associated with:
- un instant préalable respectif et distinct dudit instantt, et à- a respective prior instant distinct from said instant t , and at
- 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.- at least two input data comprising said at least one descriptive metric of the communication network measured at said prior instant by a terminal present within said network, and said buffer state report of said terminal , said report being associated with the same instant prior.
Selon un aspect particulier optionnel (représenté en pointillés) du mode de réalisation de la
- 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- 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
- d’une qualité de service postérieure ;- a subsequent quality of service;
le contexte radio postérieur et/ou la qualité de service postérieure étant associé(s) à un instant postérieur audit instantt.the subsequent radio context and/or the subsequent quality of service being associated with a time subsequent to said time t .
Autrement dit, cette étape 38 de prédiction supplémentaire correspond à la mise en œuvre d’une approche d’apprentissage machine (de l’anglaismachine l earning) pour déterminer une vision future du service propre à être offert par le réseau de communication considéré.In other words, this additional prediction step 38 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.
Comme détaillé par la suite en relation avec les
Selon le mode de réalisation de la
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’anglaisbackpropagation) ou encore par calcul de la dérivée seconde, etc.Such steps 40 and 42 make it possible to self-improve the machine learning model M over time. In particular, when the machine learning model M is obtained by using a neural network, 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.
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.As an optional complement, the method 30 further comprises a step 44 of transmission E of each prediction at the application level N-A of the terminal considered.
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.Such an optional step 44 allows feedback on the predicted (i.e. predicted) QoS quality of service so that the applications adjust their request accordingly and as far as 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.Thus, 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.
Les figures 3 et 4 illustrent respectivement deux variantes de mise en œuvre du procédé 30 illustré par la
En particulier, la
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.According to this variant 30 A , a step 46 of collecting a set of training data is carried out beforehand. For example, for a railway remote control application, training data have for example been 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.
L’étape 46 aboutit à la formation 47 d’une base de données d’entrainement DBAcomprenant 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.Step 46 results in the formation 47 of a training database DB A comprising in particular the variables (ie metrics) RSRQ, RSSI, RSRP, SNR mentioned above and also, advantageously according to the invention, the status reports (s) of buffer memory(s), in particular BSR, corresponding to the transmission queue report(s) of each terminal considered.
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’anglaisthroughput)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 TPAde 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.During the training phase T, the prediction model M is trained during a step 48 by linear regression TM A , initially, of the useful throughput curve ( throughput) as a function of the input parameters RSSI, RSRQ, RSRP, SNR and the report of the state(s) of buffer(s) (eg BSR), in order in particular to exclude irrelevant input parameters and to calibrate to during 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 l 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 TM A .
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.More specifically, 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. According to one aspect, the throughput is "categorizable" by means of a confidence interval of ±10% between the estimated useful throughput and the actually observed useful throughput.
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 MAoptobtenu à l’issue de la phase d’entrainement par régression linéaire pour obtenir au cours d’une étape 56 une prédiction PAde la QoS associée.Once the prediction model M has been trained and optimized during the training phase T, 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 of the model M Aopt obtained at the end of the training phase by linear regression to obtain during a step 56 a prediction P A of the associated QoS.
La
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.According to this variant 30 B , a step 58 of collecting a set of training data is also carried out beforehand. For example, for a railway remote control application, training data have also been 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.
L’étape 58 aboutit à la formation 59 d’une base de données d’entrainement DBBcomprenant 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.Step 58 results in the formation 59 of a training database DB B comprising in particular the variables (ie metrics) RSRQ, RSSI, RSRP, SNR mentioned above and also, advantageously according to the invention, the status reports ( s) buffer memory(s), in particular of the BSR type, corresponding to the transmission queue report(s) of each terminal considered.
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’anglaisMulti-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’anglaisbatch), 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.During the training phase T, 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 per layer, batch size, in particular by "L2" type regularization (minimizing the norm two (ie Euclidean) of the MLP parameters) or " drop out” (consisting of randomly ignoring some of the neurons during the parameter gradient calculation phase, 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.
En particulier, tel qu’illustré par la
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’anglaisbackpropagation) 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.During the training phase T of this multilayer perceptron MLP, for each set of training inputs supplied by the training database DB B , such a set corresponding for example to the quintuplet of input data RSRQ, the report of state(s) of buffer(s) (eg BSR), RSSI, SNR and RSRP, the multilayer perceptron MLP outputs an estimate 60 of at least one QoS parameter, such as the bit rate , associated ET, 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 (ie the error) observed between estimation 60 of said at least one QoS parameter, such as the bit rate, ET and the same corresponding QoS parameter(s), such as the throughput, M_T 68 to a backpropagation module 74 B capable of transmitting an update 74 of the weights to the input layer 60 before the next training iteration carried out from a quintuplet separate input data.
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 MB optobtenu 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 PBde la QoS associée.Once the prediction model M has been trained and optimized during the training phase T, 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 B opt obtained at the end of the training phase by using a neural network to obtain during a step 80 a prediction P B of the associated QoS.
Que ce soit pour la variante illustrée par la
Selon une première variante, une réévaluation des poids est mise en œuvre à chaque actualisation (i.e. enrichissement) de base de données d’entrainement DBAou DBB.According to a first variant, a re-evaluation of the weights is implemented each time the training database DB A or DB B is updated (ie enriched).
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 DBAou 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.According to a second variant, a re-evaluation of the weights is implemented taking into account a distribution (ie a weighting) associated with the dating of the data stored in the training database DB A or DB B , for example 20 % for so-called “long-term” training data (ie distant from the re-evaluation date beyond a predetermined time threshold) and 80% for so-called “short-term” training data for example.
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.Those skilled in the art will understand that the invention is not limited to the embodiments described, nor to the particular examples of the description, the embodiments and the variants mentioned above being suitable for being combined with each other to generate new embodiments of the 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.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.
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.
Moreover, 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. Thus the proposed solution can be worn on different types of connected objects, in particular compliant with 4G/LTE, 5G or even beyond technology.
Claims (10)
- acquisition (32) d’au moins deux données d’entrée associées au même instanttcomprenant :
- 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 instantt, prédiction (36) de ladite qualité de service associée à l’instantt ,par application desdites au moins deux entrées associées au même instantten 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 instantt, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.Method for predicting (30) 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 communication network, the method comprising the steps following:
- acquisition (32) of at least two input data associated with the same instant t comprising:
- at least one descriptive metric of the communication network measured by a terminal present within said network, and
- at least one report of the state(s) of buffer memory(s) of said terminal representative of the remaining quantity of data to be transmitted ;
- from said at least two inputs associated with the same instant t , prediction (36) 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 model of machine learning (M) 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(s) of service actually observed during said prior period predetermined.
- 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.Method (30) of prediction according to claim 1, wherein 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:
- an RSRQ metric corresponding to the reception quality of a network reference signal;
- an RSSI metric corresponding to a received intensity indicator;
- an RSRP metric corresponding to the received power of the reference signal;
- an SNR metric corresponding to the signal to noise ratio.
- 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 instantt . A prediction method (30) according to any preceding claim, wherein said method (30) further comprises, using said previously trained machine learning model (M), an additional prediction step (38):
- 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
- a subsequent quality of service;
the subsequent radio context and/or the subsequent quality of service being associated with a time subsequent to said time t .
- 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.A prediction method (30) according to any preceding claim, wherein said method is iterated periodically and further comprises:
- determining and storing (40) the precision associated with each prediction,
- updating (42) said machine learning model using the precision associated with each prediction, said updating being implemented after storing a predetermined number of precisions respectively associated with distinct predictions.
- 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 instanttpar 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 instantt etreprésentatif 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 instantt, ladite qualité de service associée à l’instantt ,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 instantt, et comprenant une pluralité de qualité(s) de service réellement observées pendant ladite période préalable prédéterminée.Electronic device for predicting the quality of service of a communication network, the device comprising:
- an acquisition module (12) configured to acquire at least two input data comprising:
- at least one descriptive metric of the communication network measured at a time t by a terminal present within said network, and
- at least one report of the state(s) of buffer memory(s) of said terminal, said report being associated with the same instant t and representative of the remaining quantity of data to be transmitted ;
- 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 instant t , by applying said at least two inputs as input to a model d machine learning 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(s) of service actually observed during said predetermined prior period.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2110023A FR3127351B1 (en) | 2021-09-23 | 2021-09-23 | METHOD FOR PREDICTING THE QUALITY OF SERVICE OF A COMMUNICATION NETWORK, COMPUTER PROGRAM PRODUCT AND ASSOCIATED ELECTRONIC PREDICTION DEVICE |
| PCT/EP2022/076497 WO2023046887A1 (en) | 2021-09-23 | 2022-09-23 | Title: method for predicting the quality of service of a communication network, associated computer program product and associated electronic prediction device |
| EP22786806.4A EP4406202A1 (en) | 2021-09-23 | 2022-09-23 | Title: method for predicting the quality of service of a communication network, associated computer program product and associated electronic prediction device |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2110023A FR3127351B1 (en) | 2021-09-23 | 2021-09-23 | METHOD FOR PREDICTING THE QUALITY OF SERVICE OF A COMMUNICATION NETWORK, COMPUTER PROGRAM PRODUCT AND ASSOCIATED ELECTRONIC PREDICTION DEVICE |
| FR2110023 | 2021-09-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3127351A1 true FR3127351A1 (en) | 2023-03-24 |
| FR3127351B1 FR3127351B1 (en) | 2024-09-06 |
Family
ID=80113312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2110023A Active FR3127351B1 (en) | 2021-09-23 | 2021-09-23 | METHOD FOR PREDICTING THE QUALITY OF SERVICE OF A COMMUNICATION NETWORK, COMPUTER PROGRAM PRODUCT AND ASSOCIATED ELECTRONIC PREDICTION DEVICE |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP4406202A1 (en) |
| FR (1) | FR3127351B1 (en) |
| WO (1) | WO2023046887A1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021001085A1 (en) * | 2019-06-30 | 2021-01-07 | Telefonaktiebolaget Lm Ericsson (Publ) | Estimating quality metric for latency sensitive traffic flows in communication networks |
| CN112637891A (en) * | 2020-12-23 | 2021-04-09 | 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） | Wireless link quality prediction method, device, electronic equipment and storage medium |
-
2021
- 2021-09-23 FR FR2110023A patent/FR3127351B1/en active Active
-
2022
- 2022-09-23 WO PCT/EP2022/076497 patent/WO2023046887A1/en active Application Filing
- 2022-09-23 EP EP22786806.4A patent/EP4406202A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021001085A1 (en) * | 2019-06-30 | 2021-01-07 | Telefonaktiebolaget Lm Ericsson (Publ) | Estimating quality metric for latency sensitive traffic flows in communication networks |
| CN112637891A (en) * | 2020-12-23 | 2021-04-09 | 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） | Wireless link quality prediction method, device, electronic equipment and storage medium |
Non-Patent Citations (1)
| Title |
|---|
| N. SRIVASTAVA ET AL., DROPOUT: A SIMPLE WAY TO PREVENT NEURAL NETWORKS FROM OVERFITTING, 2014 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023046887A1 (en) | 2023-03-30 |
| EP4406202A1 (en) | 2024-07-31 |
| FR3127351B1 (en) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9955488B2 (en) | Modeling network performance and service quality in wireless networks | |
| US8503320B2 (en) | Available bandwidth estimation in a packet-switched communication network | |
| US10470130B2 (en) | Mobile battery consumption analysis system and method of operating on delta charge samples | |
| FR3046006B1 (en) | METHOD OF ESTIMATING TRAJECTORIES USING MOBILE DATA | |
| FR3103295A1 (en) | METHOD OF ASSOCIATION OF USER EQUIPMENT IN A CELLULAR NETWORK BY MEANS OF MULTI-AGENT REINFORCEMENT LEARNING | |
| Lin et al. | Machine learning for predicting QoE of video streaming in mobile networks | |
| FR3127351A1 (en) | METHOD FOR PREDICTING THE QUALITY OF SERVICE OF A COMMUNICATION NETWORK, COMPUTER PROGRAM PRODUCT AND ASSOCIATED ELECTRONIC PREDICTION DEVICE | |
| EP3505957A1 (en) | Treatment method for multi-target detection, characterisation and tracking and associated device | |
| De Masi et al. | Predicting quality of experience of popular mobile applications from a living lab study | |
| Kaup et al. | Measuring and predicting cellular network quality on trains | |
| EP1473957B1 (en) | Method for the selection of a transmission channel in a time domain multiple access protocol, and communication system therefor | |
| WO2005029118A1 (en) | Method of detecting the presence of absence of a mobile terminal on a path | |
| WO2022023670A1 (en) | Method for providing data relating to at least one device of a network user, method for obtaining data, and entities implementing these methods | |
| CN114827951A (en) | Vehicle network quality analysis method and system based on vehicle terminal and storage medium | |
| Samba et al. | Predicting file downloading time in cellular network: Large-Scale analysis of machine learning approaches | |
| CN113300905B (en) | Flow prediction self-adaptive adjusting method, device, equipment and storage medium | |
| EP3723318B1 (en) | Method and device for controlling a data transmission mode used by a vehicle for communicating | |
| WO2020127410A1 (en) | Method and device for anticipating a reconnection of a mobile station | |
| US20240214844A1 (en) | Wireless Communication Network Voice Quality Monitoring | |
| US20230362420A1 (en) | Method and system for quantifying effects of a content delivery network server on streaming-media quality and predicting root cause analysis | |
| 魏博 | Researches on TCP Throughput Prediction and Adaptive Bitrate Control in Mobile Network | |
| FR3131673A1 (en) | COMMUNICATION TRAFFIC MONITORING PROTOCOL | |
| Zhao et al. | Estimating resources in wireless ad-hoc networks: A Kalman filter approach | |
| FR3146251A1 (en) | METHOD FOR DETERMINING A NETWORK CARBON FOOTPRINT OF AT LEAST ONE DEVICE AND AN ASSOCIATED STRUCTURE | |
| EP3811655A1 (en) | Method for evaluating the energy consumption of a service unit in a communications network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230324 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |