REDES DE NUEVA GENERACIÓN (2296)

Nombre: J. Andrés Proaño B.

Fecha: 23/12/2016

Evaluación KPI a nivel de usuario para la red LTE basada en la señalización y la

recolección suave

El artículo, en cuestión, considera la evaluación de indicadores clave de rendimiento (KPI) a nivel

de usuario para la red LTE.
Se menciona la forma de obtención de los KPI de nivel celular a partir de los datos de señalización
de la colección soft/hard. Sin embargo, los KPI de nivel de celda no se podrían utilizar para
localizar los problemas de comunicación dentro de una célula.
Para resolver este problema, los atores proponen dos métodos de evaluación KPI a nivel de
usuario:
 El método de identificación y posicionamiento del usuario que se utiliza para identificar
la posición de los usuarios agrupados.
 El método de selección de datos que se propone para poder eliminar los datos repetitivos
y los datos erróneos.

Usando un método de identificación y posicionamiento agrupado de usuarios basado en los

registros de colección soft. Las identificaciones temporales, la información de ángulo de llegada
(AOA) y la información de tiempo previo (TA) se utilizarán para identificar a los usuarios y
calcular sus posiciones. Dado que la información AOA y TA no es exacta, en algunos casos, la
posición estimada del usuario podría estar lejos de su posición real. Para resolver este problema,
también se propone un método de selección de datos para eliminar los "malos" datos. La
evaluación de KPI a nivel de usuario que podría llevarse a cabo para la red LTE.

INTRODUCCIÓN
La señalización por lo general se utiliza en redes inalámbricas para supervisar el entorno
inalámbrico. La calidad del servicio (QoS) se informa periódicamente para que los problemas de
comunicación puedan ser identificados oportunamente. En términos generales, la señalización
genera dos tipos de datos, que podrían ser etiquetados como registros de colección suave (soft) y
registros de colección hdura (hard).
La señalización es muy importante y los registros de recolección suave/dura son útiles para
generar los indicadores clave de rendimiento (KPIs).
Como ejemplo se menciona que la tasa de corte se puede evaluar para cada célula. Sin embargo,
siempre se encuentra que el nivel de celda KPIs no podía evaluar adecuadamente la experiencia
de los usuarios móviles. La queja de los usuarios siempre puede ser recibida de las celdas donde
los KPI de nivel de celda son buenos.
Para obtener KPIs de nivel de usuario, el primer paso es identificar a los usuarios. Las
identificaciones permanentes de los usuarios (IDs) son generalmente difíciles de exportar. Como
resultado, se debe usar los identificadores temporales de los usuarios. Dado que los identificadores
temporales se asignan y se liberan cuando se producen interrupciones, los usuarios no pueden
identificarse de manera única.

SEÑALIZACIÓN Y COLECCIÓN SUAVE

La señalización es realizada por los fabricantes de equipos LTE. La entidad de gestión de
movilidad (MME), pasarela de servicio (SGW) y pasarela de red de paquetes de datos (PGW)
participará en el proceso de señalización.
Los registros de señalización se recopilan y reenvían a la capa de intercambio de datos y luego se
exportan a los operadores de telecomunicaciones. La capa de intercambio de datos tiene dos
interfaces: Uu y X2.
Uu es la interfaz entre el equipo de usuario (UE) y el eNodoB, la pila de protocolos para Uu se
muestra en la Figura 1.

Figura 1. Pila de protocolo Uu

X2 es la interfaz entre eNodeBs, la pila de protocolos para X2 se muestra en la Figura 2.

Figura 2. Pila de protocolo X2

El artículo se basa en los datos de señalización de interfaz Uu, lo que es conocido como los datos
de colección suave. Específicamente, se utilizarán los IDs temporales, la información AOA y la
información TA.
AOA es el ángulo del UE con referencia a la posición del eNodoB que sirve al UE.
TA es el intervalo de tiempo entre el UE y su eNodeB de servicio, que se da con una unidad de
489 ms.

IDENTIFICACIÓN DEL USUARIO Y MÉTODO DE POSICIONAMIENTO

El ID temporal del usuario se asigna y se libera cada vez que ocurre el corte. Obteniendo como
resultado, varios identificadores temporales que pueden asignarse al mismo usuario en diferentes
intervalos de tiempo. Esto ayuda permite la identificación a los usuarios en grupos para no tener
que identificarlos uno por uno. Y así localizar los problemas de comunicación.

El método de posicionamiento del usuario propuesta en este trabajo consta de tres pasos:
1. Cálculo del ángulo y la distancia del UE, con referencia a la posición de eNodeB.
2. Cálculo de las distancias del UE a lo largo de la dirección del meridiano y la dirección de
la latitud, con referencia a la posición de eNodeB.
3. Cálculo de la longitud y latitud del UE.

Paso 1: Cálculo del ángulo y distancia del UE con referencia a eNodeB.

El ángulo relativo φ es el ángulo entre la dirección de UE-eNodeB y el norte, como se muestra en
la Figura 3.
 Figura 3. Ángulo y distancia de UE con referencia al eNodoB

De acuerdo con las definiciones de AOA y TA, se presenta dos ecuaciones:

1
𝜑 = 𝐴𝑂𝐴 (1)
2
𝐿 = 4.89 × 𝑇𝐴 (2)

Paso 2: Cálculo de las distancias del UE a lo largo de la dirección del meridiano y la dirección de
la latitud, con referencia a eNodeB.
Para llevar a cabo este propósito planteado se requiere convertir la distancia esférica a la distancia
planar. La relación entre la distancia esférica y la distancia planar se muestra en la Figura 4.

Figura 4. Distancia planar y esférica

𝑑𝑥 = 𝐿 × sin 𝜑 (3a)
𝑑𝑦 = 𝐿 × cos 𝜑 (3b)

Paso 3: Cálculo de la longitud y latitud del UE.

Puesto que la tierra es un elipsoide, no puede tratarse como un esferoide. El radio ecuatorial de la
tierra es Re = 6378.040km, y el radio polar de la tierra es Rp = 6356.755km. Al calcular la posición
del usuario, se calcula en primer lugar un radio modificado del eNodeB, dado como
90−𝑊𝐵
𝑅 = 𝑅 𝑝 + (𝑅𝑒 − 𝑅 𝑝 ) × (4)
90

Donde WB es la latitud del eNodeB. La distancia r en la Figura 4 se calcula con la siguiente

ecuación:
𝑟 = 𝑅 × cos 𝑊𝐵 (5)

La longitud y la latitud del UE pueden entonces estimarse como

𝑑𝑥 𝜋 180
𝐽𝑈 = ( + 𝐽𝐵 × )× , (6)
𝑅 180 𝜋
𝑑𝑦 𝜋 180
𝑊𝑈 = ( + 𝑊𝐵 × )× (7)
𝑟 180 𝜋
MÉTODOS DE REVISIÓN DE DATOS
Ya que la información AOA y TA obtenida de la recolección suave no es precisa, los datos tienen
que ser examinados antes de ser analizados posteriormente. Para mejorar la precisión, los autores
proponen método de selección de datos y así para verificar la posición estimada del UE.

Los registros de colección suave presentan dos problemas:

 La inexactitud de los datos, esto significa que la información errónea de AOA y TA será
reportada.
 La repetición de los datos, lo que significa que los datos del mismo registro serán
reportados repetidamente.

En este trabajo se hace el uso del método de proyectado (screening) de datos para hacer frente a
los dos problemas.

Repetición de datos
Para resolver el problema de repetición de datos, se debe juzgar si los datos de recolección suave
pertenecen a los mismos registros. Supongamos que tenemos dos posiciones estimadas de un UE,
designadas como LP y LQ, como se muestra en la Figura 5.

Figura 5. Dos estimaciones de posición de un UE

La distancia entre las dos posiciones estimadas se puede calcular como

𝑑𝑃𝑄 = √𝐿𝑄 2 + 𝐿𝑃 2 − 2𝐿𝑄 × 𝐿𝑃 × cos 𝜑 (8)

La separación de datos repetidos se los realiza en cuatro pasos:

1) Tomar los datos de colección blanda pertenecientes al mismo UE (con el mismo ID
temporal).
2) Calcular las posiciones de la UE en 2 segundos (alrededor de 1000 registros) y ordenarlos
en orden cronológico.
3) Calcular las distancias entre las posiciones estimadas vecinas.
4) Examinar los registros cuya distancia a la posición vecina sea inferior a 1 metro. Haciendo
el uso de un algoritmo del proyectado de datos repetitivos, dicho proceso se muestra en
el diagrama de flujos de la figura 6.
 Figura 6. Diagrama de flujo del proyectado de datos repetitivos

Detección errónea de datos

Para descartar los datos erróneos, se hace el uso del método de detección de anomalías.
Supongamos que la posición de un UE sigue la distribución gaussiana multi-variable. Dados los
resultados de la formación de las propiedades estadísticas, se puede calcular la probabilidad de la
posición estimada del UE, denotada como Pr (xnew). Dado un umbral ε, donde ε representa una
pequeña probabilidad, si Pr (xnew) < ε, entonces los datos son erróneos y serán eliminados.
La selección errónea de datos puede realizarse mediante tres pasos:

1) Formación de los datos normales. Si un conjunto de datos dado {s1 , x2 , x3 , ..., xm} contiene
datos con todos los valores correctos, y cada muestra en el conjunto de datos sigue la
distribución Gaussiana multi-variable, entonces podemos calcular el valor medio y la
varianza de Las muestras, respectivamente,
1
𝜇 = ∑𝑚 𝑖=1 𝑥 𝑚, (9)
𝑚
1
∑ = ∑𝑚
𝑖=1 (𝑥𝑖 − 𝜇)(𝑥 𝑖 − 𝜇)
𝑇 (10)
𝑚

2) Calculando la probabilidad de la posición estimada xnew, dada como

1
exp(− ( 𝑥𝑛𝑒𝑤−𝜇) 𝑇∑−1(𝑥 𝑛𝑒𝑤−𝜇))
2
𝑝𝑟 (𝑥 𝑛𝑒𝑤; 𝑢, ∑) = (11)
(2𝜋) 𝑛/2 |∑|1/2
3) Comparando la probabilidad Pr (xnew) con el umbral empíricamente determinado ε. Si
P r(xnew) < ε, entonces se elimina los datos.

EJEMPLOS DE APLICACIÓN EN REDES LTE

En esta sección se muestra dos ejemplos para ilustrar el efecto del proyectado de datos usando
nuestros métodos propuestos.
Ejemplo 1: selección repetida de datos
Tomamos los datos de colección suave de un BS en el campus de la Universidad de Huazhong de
Ciencia y Tecnología (HUST). Después de calcular las posiciones de un UE, se traza las
posiciones estimadas al mapa google, como se muestra en la Figura 7a. Para luego usar el método
de selección de datos repetitivos en las posiciones estimadas y descartar los datos repetitivos. Las
posiciones después de la selección se muestran en la Figura 7b.
Después de la selección repetida de datos, se detalla que, la información de ubicación del UE se
ha mantenido, y el volumen de datos se ha reducido a la mitad del valor original.

Figura 7a. Estimación de posición del UE antes del Figura 7b. Estimación de posición del UE después del
proyectado proyectado

Ejemplo 2: selección errónea de datos

De igual manera, se utiliza los datos recolectados en el campus de HUST. Las posiciones
estimadas de un UE se asignan al mapa google. La pista estimada del UE puede ser ilustrada
conectando las posiciones en orden cronológico, como se muestra en la Figura 8a. Ajustando ε =
0,15, se eliminan los datos erróneos, y la pista modificada del UE se muestra en la Figura 8b. Está
claro que la pista estimada de la UE es más razonable después de una selección de datos errónea.

Figura 8a. Ruta estimada de un UE antes del Figura 9b. Ruta estimada de un UE después del
proyectado de datos proyectado de datos

CONCLUSIONES
En este trabajo se determina que haciendo el uso de la ID temporal del usuario, la información
AOA y TA, se llega a establecer un método de identificación y posicionamiento de usuarios para
localizar a los usuarios en grupos.

Utilizando la detección de repleción y detección de anomalías, se propone un método de selección

de datos para eliminar los datos repetitivos y los datos erróneos.

Al identificar a los usuarios dentro de un área muy pequeña como un grupo, los problemas de
comunicación pueden estar igualmente ubicados. Por lo tanto, es muy importante evaluar las
posiciones asociadas con cada ID temporal lo más precisas posible.

Los métodos propuestos se aplican a una red LTE. Por medio de los ejemplos de aplicación se
demuestra que los métodos propuestos pueden perfeccionar los datos de recolección suave y
mejorar la eficiencia de la evaluación de KPI a nivel de usuario.

REFERENCIA
[1] Jiankun, Y., Libo, H., Wei P y Zhinguang, Y. (2016). User Level KPI Evaluation for LTE
Network Based on Signalization and Soft Collection. IEEE. 978-1-5090-2860-3/16, 1-4