Tez No	İndirme	Tez Künye	Durumu
779112		Hücresel ağlarda hücre hizmet kesintisinin yeni nesil derin öğrenme algoritmaları ile tespiti / Detection of cell outages in cellular networks with new generation deep learning algorithms Yazar:HASAN TAHSİN OĞUZ Danışman: DR. ÖĞR. ÜYESİ AYKUT KALAYCIOĞLU Yer Bilgisi: Ankara Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:Yapay sinir ağları = Artificial neural networks ; Yapay zeka = Artificial intelligence	Onaylandı Doktora Türkçe 2022 66 s.
Kendi kendini organize eden ağlar (Self Organizing Networks, SON) yeni nesil mobil iletişim sistemlerinin ağ yönetim otomasyonunda anahtar rolü üstlenmektedir. Devreye alınma aşamasına çok yaklaşmış olan 5. Nesil mobil ağlar (5G) ve ondan daha sonra gelecek olan yeni sistemlerin SON konsept ve mimarileri için yenilikçi çözümleri beraberinde getirmesi beklenmektedir. Yeni nesil mobil ağlardaki SON mimarisinin öne çıkan en önemli özelliği kendiliğinden iyileşme (self healing) kavramı hücresel servis kesintisi tespiti ve hücresel servis telafisi özelliklerini içermektedir. Öte yandan yeni nesil mobil hücresel ağların ultra yoğun baz istasyonlu yerleşime sahip olacağı beklentisi, ağ yönetim ve idamesi anlamında hücresel hizmet kesintisi tespit prosedürünü oldukça kritik ve zorlu bir hale getirmektedir. Bu çerçevede bu tez çalışması ultra yoğunluklu çok katmanlı yerleşimlerin olduğu mobil ağları simüle ederek Uzun Kısa-Dönemli Bellekler (Long Short-Term Memory, LSTM) ve 1 Boyutlu Evrişimsel Sinir Ağları (One Dimensional Convolutional Neural Networks, 1D CNN) derin öğrenme yöntemleri yardımıyla kullanıcı ekipmanlarında üretilen temel performans göstergelerini (Key Performance Indicators, KPI) kullanarak sistemdeki femto baz istasyonlarını hücresel hizmet kesintisi yönünden irdelemektedir. Önerilen her iki derin öğrenme yöntemi ile belirli bir uzunluktaki kullanıcı verileri kullanılarak femto baz istasyonlarda oluşabilecek anomalilerin tespit ve sınıflandırması yapılmaktadır. Ayrıca hücresel tespit alanı seviyesinde toplu karar yöntemleri de kullanılarak derin öğrenme yöntemlerinin sınıflandırma performansları önemli ölçüde artırılmaktadır. Hesaplanan sayısal bulgular çerçevesinde önerilen derin öğrenme yöntemleri, biri sağlam üçü farklı derecelerde anomali içeren toplamda dört kategorili femto baz istasyonu anomali sınıflandırmasında ortalamada %80'in üzerinde tahmin doğruluğu vererek geleneksel ileri beslemeli sinir ağları (feed forward neural networks, FFNN) yönteminden daha başarılı sonuçlar vermektedir.
Self Organizing Networks (SON) are considered as one of the key features for automation of network management in new generation of mobile communications. The upcoming fifth generation (5G) mobile networks and beyond are likely to offer new advancements for SON solutions. In SON concept, self-healing is a prominent task which comes along with cell outage detection and cell outage compensation. Next generation cellular networks are supposed to have ultra-dense deployments which make cell outage detection critical and harder for network maintenance. Therefore, by imitating the ultra-dense multi-tiered scenarios, this study scrutinises femtocell outage detection with the help of Long Short-Term Memory (LSTM) and one-dimensional Convolutional Neural Networks (1D CNN) by using time sequences of Key Performance Indicator (KPI) parameters generated in user equipments. In both proposed schemes, probable outage related anomalies in femto Access points (FAP) are detected and classified within predetermined time sequence intervals. Moreover, aggregation decision methods are also incorporated into the proposed framework for boosting cell outage detection procedure on FAP level. Our findings show that proposed deep learning approaches outperform existing feed forward neural networks (FFNN) and on the average, in more than 80% of the cases the outage states of the femtocells are correctly predicted among healthy and three anomalous states.