Long Term Evolution (LTE) is fourth generation broadband wireless access technology. As LTE networks continue to expand, their energy consumption has become a concern due to increased costs and environmental impact. To address this issue, we present a novel approach in this thesis that focuses on energy-efficient LTE network operation by optimizing cell bandwidth deployment. Only historical data extracted from a real-world LTE network is provided by Ericsson in the thesis, so the model has to learn the pattern by exploiting the data. The model formulates the task as an offline contextual bandits problem and implements offline learning and evaluation algorithms. In addition, the model incorporates two agents: an energy-driven agent and a teacher agent within the bandwidth recommendation engine. This enables energy savings while ensuring uninterrupted network service. Users have the flexibility to customize the desired percentage of energy savings by adjusting a hyper-parameter that determines the relative weight of the two agents in the final bandwidth decision. Through comprehensive offline evaluation, the model is assessed and demonstrates its ability to conserve energy without compromising network performance. / Long Term Evolution (LTE) är en fjärde generationens bredbandslösning för trådlös access. Medan LTE-nätverk fortsätter att expandera har energiförbrukningen blivit en oro på grund av ökade kostnader och miljöpåverkan. För att hantera denna fråga presenterar vi i denna avhandling en innovativ metod som fokuserar på energieffektiv drift av LTE-nätverk genom att optimera tilldelningen av cellbandbredd. Endast historiska data som utvunnits från ett verkligt LTE-nätverk tillhandahålls av Ericsson i avhandlingen, vilket innebär att modellen måste lära sig mönster genom att utnyttja dessa data. Modellen formulerar uppgiften som ett offline-contextual bandits-problem och implementerar algoritmer för offline-inlärning och utvärdering. Dessutom inkluderar modellen två agenter: en energistyrd agent och en läraragent i bandbreddrekommendationssystemet. Detta möjliggör energibesparingar samtidigt som kontinuerlig nätverkstjänst garanteras. Användare har flexibiliteten att anpassa den önskade procentandelen av energibesparingar genom att justera en hyperparameter som bestämmer den relativa vikten av de två agenterna vid beslutsfattandet om slutlig bandbredd. Genom omfattande utvärdering offline bedöms modellen och dess förmåga att spara energi utan att äventyra nätverksprestanda bekräftas.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-347831 |
| Date | January 2024 |
| Creators | Mao, Jingxuan |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2024:119 |
Page generated in 0.0031 seconds