Synchronization between base stations is a fundamental part of any operating telecommunication system. With 5G and future generations of mobile networks, the data speeds are getting higher, which creates the need for fast and accurate synchronization. In wireless systems, the transmitted signals are affected by the environment. Both moving and stationary objects can cause a transmitted signal to be scattered or reflected, causing the receiver to receive multiple instances of one signal. If a synchronization signal is transmitted from one base station and received in multiple instances by another, it is hard for the receiving base station to know which of the received instances that should be used for calculating the synchronization error between the base stations. In this thesis, multiple different algorithms for selecting a synchronization signal pair between two base stations to be used for calculating time alignment error have been tested. The results have been evaluated based on their accuracy of selecting a correct matching signal pair. It is shown that the proposed algorithms in this thesis all perform significantly better than the method currently in use. Further, the advantages and disadvantages of each of the new algorithms are discussed, and finally new concepts for future studies are suggested. / Synkronisering mellan basstationer är en fundamental del av ett fungerande telekommunikationssystem. Med 5G och framtida generationer av mobila nätverk så ökas datahastigheter, vilket skapar behovet av en snabb och precis synkronisering. I trådlösa system påverkas skickade signaler av dess omgivning. Både stationära och icke-stationära objekt i omgivningen kan splittra eller reflektera signaler, vilket ger upphov till en flervägskanal. Detta gör att en mottagare kan ta emot flera instanser av en skickad signal. Om en synkroniseringssignal skickas från en basstation via en flervägskanal till en mottagande basstation, så kommer mottagaren att ta emot flera instanser av den skickade signalen vid olika tidpunkter. Det kan då vara svårt för mottagaren att avgöra vilken av de mottagna signalerna som ska användas vid beräkning av tidsfelet mellan basstationerna. I detta examensarbete testas ett flertal olika algoritmer för att välja vilket synkroniseringssignalpar som ska användas vid beräkning av tidsfelet mellan två basstationer. Resultatet utvärderas baserat på hur hög precision algoritmen har i att välja ett korrekt matchat synkroniseringssignalpar. Resultatet visar att de algoritmer som presenteras i denna uppsats presterar märkbart bättre än den algoritm som används i systemen just nu. Vidare diskuteras fördelar och nackdelar med de olika algoritmerna och förslag på vidareutveckling av algoritmerna läggs fram.

Time synchronization is a process of ensuring all the time difference between the clocks of network components(like base stations, boundary clocks, grandmasters, etc.) in the mobile network is zero or negligible. It is one of the important factors responsible for ensuring effective communication between two user-equipments in a mobile network. Nevertheless, the presence of asymmetries can lead to faults, making the detection of these errors indispensable, especially in technologies demanding ultra-low latency, such as 5G technology. Developing methods to ensure time-synchronized mobile networks, would not only improve the network performance, and contribute towards cost-effective telecommunication infrastructure. A rulebased simulator to simulate the mobile network was built, using the rules provided by the domain experts, in order to generate more data for further studies. The possibility of using Reinforcement Learning to perform fault detection in the mobile network was explored. In addition to the simulator dataset, an unlabelled customer dataset, which consists of time error differences between the base stations, and additional features for each of its network components was provided. Classification algorithms to label the customer dataset were designed, and a comparative analysis of each of them has been presented. Mathematical algorithm and Graph Neural Network models were built to detect error, for both the simulator and customer dataset, for the faulty node detection task. The approach of using a Mathematical algorithm and Graph Neural Network architectures provided an accuracy of 95% for potential fault node detection. The feature importance of the additional features of the network components was analyzed using the best Graph Neural Network model which was used to train for the node classification task (to classify the base stations as faulty and non-faulty). Additionally, an attempt was made to predict the individual time error value for each of the links using Graph Neural Network, however, it failed potentially due to the presence of fewer features to train from. / Tidssynkronisering är en process för att säkerställa att all tidsskillnad mellan klockorna för nätverkskomponenter (som basstationer, gränsklockor, stormästare, etc.) i mobilnätet är noll eller försumbar. Det är en av de viktiga faktorerna som är ansvariga för att säkerställa effektiv kommunikation mellan två användarutrustningar i ett mobilnät. Icke desto mindre kan närvaron av asymmetrier leda till fel, vilket gör upptäckten av dessa fel oumbärlig, särskilt i tekniker som kräver ultralåg latens, som 5G-teknik. En regelbaserad simulator för att simulera mobilnätet byggdes, med hjälp av reglerna från domänexperterna, för att generera mer data för vidare studier. Möjligheten att använda RL för att utföra feldetektering i mobilnätet undersöktes. Utöver simulatordataset tillhandahölls en omärkt kunddatauppsättning, som består av tidsfelsskillnader mellan basstationerna och ytterligare funktioner för var och en av dess nätverkskomponenter. Klassificeringsalgoritmer för att märka kunddataset utformades, och en jämförande analys av var och en av dem har presenterats. Matematisk algoritm och GNN-modeller byggdes för att upptäcka fel, för både simulatorn och kunddatauppsättningen, för uppgiften att detektera felaktig nod. Metoden att använda en matematisk algoritm och GNN-arkitekturer gav en noggrannhet på 95% för potentiell felnoddetektering. Funktionens betydelse för de ytterligare funktionerna hos nätverkskomponenterna analyserades med den bästa GNN-modellen som användes för att träna för nodklassificeringsuppgiften (för att klassificera basstationerna som felaktiga och icke-felaktiga). Dessutom gjordes ett försök att förutsäga det individuella tidsfelsvärdet för var och en av länkarna med GNN, men det misslyckades potentiellt på grund av närvaron av färre funktioner att träna från.