Management methods for terminals and network elements in high-speed, B3G communication environments

Over the last decade the world of wireless communications has been undergoing some crucial changes, which have brought it at the forefront of international research and development interest, eventually resulting in the advent of a multitude of innovative technologies and associated products such as WiFi, WiMax, the suite of 802.20 and 802.22 standards, wireless mesh networks and software defined radio. In this respect, the wireless world is rapidly evolving towards the “Beyond the 3rd Generation” era, where communication infrastructures need to tackle external conditions that are continuously changing, and thus become less predictable in terms of quality of service provision. On the contrary, the B3G era, through the coexistence and complementary use of a multitude of Radio Access Technologies, offers additional capabilities for providing users with advanced levels of convenience and flexibility for living and working. As the management of terminal and network segments becomes more and more crucial, in such a multi-dimensional era, the scope of this thesis is to deal with management aspects regarding terminal and network elements in high-speed, B3G communication environments. The first chapter includes a report in modern tendencies in the world of telecommunications, focusing in the vision of the B3G systems. The main significances that are covered in the first chapter are the dynamic reformation of networks and terminals (reconfigurability) and of cognitive networks (CN). A reference is also been made on why an advanced management functionality is rendered necessary, based on infrastructure and business level issues and requirements. After justifying the necessity to design and develop advanced management functionality in the B3G systems, the second chapter presents such a management. The system is called Reconfigurable Terminal Management System and in general it provides the means for profile modelling, the acquisition of monitoring/ discovery/ context information, and the negotiation and selection of configurations, based on information deriving from policies, as well as the profiles and the context. Regarding the monitoring/discovery/context information acquisition, the next three chapters (3 – 5) present intelligent management mechanisms for the allocation and usage of the radio spectrum, with the use of cognitive radio systems. In such a process, learning mechanisms that are capable of exploiting measurements sensed from the environment (monitoring), gathered experience and stored knowledge and discovering the capabilities of the different configurations (discovery), are judged as rather beneficial for guiding decisions and actions. In particular, the third chapter proposes enhancements to the channel(-state) estimation phase of a cognitive radio system. The proposed method aims at evaluating the various candidate configurations that a cognitive transmitter may operate in, by associating a capability e.g., achievable bit-rate, with each of these configurations. It takes into account calculations of channel capacity provided by channel-state estimation information (CSI) and the sensed environment, and at the same time increases the certainty about the configuration evaluations by considering past experience and knowledge through the use of Bayesian networks. Results from comprehensive scenarios show the impact of the method proposed in this chapter, on the behaviour of cognitive radio systems. Then, the next two chapters (4th and 5yh one) introduce and evaluate learning schemes that are based on artificial neural networks and can be used for predicting the capabilities (e.g. data rate) that can be achieved by a specific radio configuration. Specifically, interesting scenarios, which include both commercial and simulation hardware/software products, are mobilized for the benchmarking work, conducted in order to design and use an appropriate neural network structure, while indicative results are presented and discussed in order to showcase the benefits of incorporating such learning schemes into cognitive radio systems. The sixth chapter presents an advanced management framework, as an enabling technology for designing and developing, wireless systems in B3G environments. The chapter focuses on the main components of the proposed framework, as well as on their functionality and interactions. Additionally, indicative simulation results showcase the efficiency of the proposed framework. Finally, in the last chapter, some general conclusions that arose from the thesis are presented, as well as future challenges for the continuation of the presented work.Την τελευταία δεκαετία ο κόσμος των ασυρμάτων επικοινωνιών υπόκειται μια πληθώρα καίριων αλλαγών, οι οποίες έχουν φέρει τις ασύρματες επικοινωνίες στο προσκήνιο της διεθνούς έρευνας, τα αποτελέσματα της οποίας αντικατοπτρίζονται σε πολυάριθμες καινοτόμες τεχνολογίες / προϊόντα, όπως το WiMAX (Wordwide Interoperability for Microwave Access), τα στάνταρτς της ΙΕΕΕ (802.20, 802.22, κλπ), και πολλά άλλα (mesh networks, software defined radio). Στο παραπάνω πλαίσιο, ο ασύρματος κόσμος κινείται προς την κατάσταση που ονομάζεται B3G (πέραν της τρίτης γενιάς), όπου οι τηλεπικοινωνιακές υποδομές θα πρέπει να αντιμετωπίζουν συνεχώς μεταβαλλόμενες εξωτερικές συνθήκες, οι οποίες είναι ολοένα και λιγότερο προβλέψιμες ως προς την ποιότητα των υπηρεσιών που επιτρέπουν. Στον αντίποδα αυτών, οι τεχνολογίες B3G εκμεταλλεύονται την κατ' επιλογήν χρήση των πολυάριθμων διαθεσίμων τεχνολογιών (RATs), με στόχο την παροχή υψηλών επιπέδων ποιότητας υπηρεσιών σε οικιακούς και μη χρήστες. Ωστόσο, οι πολλές καινοτομίες εγείρουν το ζήτημα της επιτυχούς διαχείρισης τερματικών και στοιχείων δικτύου σε ένα τόσο ανταγωνιστικό περιβάλλον. Αυτό ακριβώς αποτελεί και το αντικείμενο της παρούσης διατριβής. Με βάση τα ανωτέρω, το πρώτο κεφάλαιο της διατριβής ανατρέχει στις σημερινές διαθέσιμες τεχνολογίες και δη στα συστήματα B3G, καλύπτοντας έννοιες όπως η δυναμική αναδιάρθρωση τερματικών και στοιχείων δικτύων, καθώς επίσης και τα cognitive δίκτυα επικοινωνιών, ενώ αναφορά γίνεται και στην ανάγκη σχεδιασμού και ανάπτυξης των σχετικών μηχανισμών διαχείρισης, με βάση τις επιταγές των ίδιων των υποδομών, αλλά και των χρηστών. Μετά τη δικαιολόγηση της επιτακτικής ανάγκης ανάπτυξης ευφυών μεθόδων διαχείρισης B3G συστημάτων, το δεύτερο κεφάλαιο παρουσιάζει ένα τέτοιο σύστημα, ονόματι Reconfigurable Terminal Management System (RTMS), το οποίο διαχειρίζεται ένα τερματικό B3G μέσω της μοντελοποίησης του προφίλ ενός χρήστη, της απόκτησης πληροφοριών των συνθηκών του περιβάλλοντος, αλλά και της διαπραγμάτευσης για την απόφαση σχετικά με την καλύτερη (κατ' επιλογήν) διάρθρωση του εν λόγω τερματικού. Αναφορικά με την απόκτηση πληροφοριών για το περιβάλλον, τα επόμενα 3 κεφάλαια προτείνουν μηχανισμούς διαχείρισης του φάσματος ενός cognitive δικτύου επικοινωνιών. Για αυτό το σκοπό είναι σημαντική η ύπαρξη μηχανισμών μάθησης, ώστε ένα σύστημα να μπορεί να εκμεταλλευτεί μετρήσεις που ανακτά από το περιβάλλον του, μαζεύοντας γνώση και εμπειρία και βρίσκοντας τις δυνατότητες που του προσφέρουν οι διάφορες δυνατές αναδιαρθρώσεις του, ώστε να κατευθυνθεί στη βέλτιστη απόφαση. Συγκεκριμένα, το τρίτο κεφάλαιο προτείνει κάποιες βελτιώσεις στη φάση χαρακτηρισμού ενός διαύλου ενός cognitive δικτύου. Η προτεινόμενη μέθοδος αποτιμά τις υποψήφιες αναδιαρθρώσεις ενός πομποδέκτη, συσχετίζοντάς τες με δυνατές ταχύτητες (bit rates) που μπορεί να επιτύχει. Για το σκοπό αυτό λαμβάνει υπόψη μετρήσεις channel-state estimation information (CSI) και αυξάνει τη βεβαιότητα σχετικά με την αποτίμηση των αναδιαρθρώσεων συγκεντρώνοντας γνώσεις και εμπειρία με τη χρήση Bayesian δικτύων. Αποτελέσματα από διάφορα σενάρια αποδεικνύουν την ορθότητα της προτεινόμενης μεθόδου. Εν συνεχεία, στα επόμενα δύο κεφάλαια (4ο και 5ο) προτείνονται κάποια σχήματα εκμάθησης που βασίζονται σε νευρωνικά δίκτυα που χρησιμοποιούνται για την πρόβλεψη των δυνατοτήτων διαφόρων πιθανών αναδιαρθρώσεων. Συγκεκριμένα, παρουσιάζονται διάφορα ρεαλιστικά, εμπορικά πραγματοποιήσιμα σενάρια, με σκοπό το σχεδιασμό ενός, καταλλήλου δομής, νευρωνικού δικτύου, ώστε να εξαχθούν τα κατάλληλα συμπεράσματα περί της επιτυχούς χρήσης τέτοιων μεθόδων μάθησης σε cognitive δίκτυα επικοινωνιών. Κατόπιν, το έκτο κεφάλαιο παρουσιάζει ένα συνολικό πλαίσιο διαχείρισης τερματικών και στοιχείων δικτύου συστημάτων B3G, παρουσιάζοντας τα βασικά μέρη από τα οποία αποτελείται και τον τρόπο που αλληλεπιδρούν. Αποτελέσματα από προσομοιώσεις παρατίθενται προς πιστοποίηση των ισχυρισμών περί της καταλληλότητας του προτεινομένου πλαισίου (υποδομής). Στο τελευταίο κεφάλαιο της διατριβής παρατίθενται διάφορα συμπεράσματα, καθώς επίσης και μελλοντικές προκλήσεις που προκύπτουν εξ' αυτής