Ankomstklassificering för flöden i mobila nätverk med hjälp av federerad inlärning

Understanding traffic dynamics and user demand in a cellular network is essential for effective resource management, which in turn improves the network’s energy and cost efficiency. This thesis focuses on the task of classifying the time until the arrival of the next flow at a user level in a real network traffic data set. A range of machine learning and deep learning techniques are applied to this task, some of which are incorporated into a federated learning framework that ensures data privacy. The results demonstrate that the long short-term memory (LSTM) performs best on this task, although good performance can also be achieved with models of lower complexity. Furthermore, models developed through federated learning achieve comparable performance to those trained on centralised data.Att förstå trafikdynamik i ett cellulärt nätverk är fundamentalt för effektiv resurshantering, vilket förbättrar nätverkets energi- och kostnadseffektivitet. Denna uppsats fokuserar på att klassificera ankomsttid för nästa flöde på användarnivå i ett dataset innehållande nätverkstrafik från en operatör. En uppsättning maskininlärnings- och djupinlärningstekniker har applicerats, varav några har inkorporerats i ett ramverk för federerad inlärning som säkerställer användares dataintegritet. Resultaten visar att ett long short-term memory (LSTM) presterar bäst på denna uppgift, även om bra prestanda även kan uppnås med modeller av lägre komplexitet. Vidare så har modeller som tränats med hjälp av federerad inlärning jämförbar prestanda med de tränade på centraliserat data