Framework for application of machine learning algorithms in telecommunications

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2020-03-16
Department
Major/Subject
Computer Science
Mcode
SCI3042
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
89 + 10
Series
Abstract
Machine learning is showing a lot of promise in many different fields such as image recognition. But notably, in telecommunications, machine learning has not been productized yet, even though improvements using machine learning approaches have been already obtained when compared to conventional approaches. This lack of productization can be due to many reasons, one of which is the fact that applying machine learning requires the user to go through the machine learning workflow. The commonly used machine learning workflows are manual and iterative and in addition, implementing them requires machine learning knowledge that some telecommunications engineers might not have. To take full advantage of machine learning within the telecommunications domain, machine learning should be made more accessible. One of the ways to do this is by improving the current workflow and making it easier. In this thesis, I aim to improve the machine learning workflow that developers use to train and evaluate machine learning models by developing a framework to simplify and streamline the machine learning workflow, with a focus on the telecommunications domain. This improved workflow will be as automated as possible, reducing the need for manual, iterative work. With the improved workflow, the adoption of machine learning will be easier and more accessible to telecommunications engineers not specialized in machine learning. As a demonstration of the framework’s ability to produce good results, I study the performance of machine learning in a 5G NR UCI decoding use case and show that the performance of the machine learning receiver implemented using the framework is better than that of the conventional receiver with respect to the bit error rate and missed detection probability. However, the false alarm rate for the machine learning receiver is worse than for the conventional receiver. I also evaluate the usability of the framework and conclude that the workflow offered by the framework has improved usability compared to the conventional manual machine learning workflow. These results prove that machine learning can offer a solution for the 5G NR UCI decoding use case, and that the framework is able to produce well-performing machine learning models. Regardless, further research, for example related to the complexity of the machine learning models, is required to confirm that these models could indeed be successfully implemented in real-world communications systems.

Koneoppimisen avulla on saavutettu lupaavia tuloksia esimerkiksi kuvantunnistuksessa. Mutta yllättäen tietoliikenteen alalla koneoppimista ei ole vielä tuotteistettu huolimatta siitä, että koneoppiminen on tarjonnut joissain sovelluksissa jo parempaa suorituskykyä kuin perinteiset menetelmät. Tämä tuotteistamisen puute voi johtua monista syistä, esimerkiksi siitä että koneoppimisen soveltaminen vaatii käyttäjää läpikäymään koneoppimisen soveltamisprosessin. Yleisimmät koneoppimisen soveltamisprosessit ovat manuaalisia sekä toisteisia ja niiden toteuttaminen vaatii koneoppimisosaamista jota tietoliikenneinsinööreillä ei välttämättä ole. Jotta koneoppimisesta saataisiin täysi hyöty tietoliikenteen alalla, sen soveltamista tulisi helpottaa. Yksi tapa helpottaa koneoppimisen soveltamista on parantaa koneoppimisen soveltamisprosessia ja tehdä se helpommaksi. Tässä diplomityössä pyrin parantamaan koneoppimisen soveltamisprosessia jota käytetään koneoppimismallien opettamiseen ja niiden suorituskyvyn arviointiin. Kehittämällä koneoppimiselle puitteet tarjoavan sovelluksen, yksinkertaistan ja suoraviivaistan tätä prosessia. Tämä parannettu prosessi on mahdollisimman automatisoitu, mikä vähentää manuaalisen ja toisteisen työn määrää. Parannetun prosessin avulla koneoppimisen käyttöönotto on helpompaa tietoliikenneinsinööreille, joilla ei ole syvällistä koneoppimisosaamista. Konkreettisena näyttönä diplomityössä kehitettävän sovelluksen kyvystä tuottaa hyviä tuloksia, tutkin koneoppimisen suorituskykyä 5G NR UCI-symbolien tulkinnassa. Näytän, että sovelluksen avulla aikaansaatu koneoppimiseen perustuva vastaanotin on tavanomaista vastaanotinta parempi bittivirhesuhdetta ja kadotettujen havaintosymbolien suhdetta tarkasteltaessa. Kuitenkin, väärien hälytysten suhdetta suorituskykymittarina käytettäessä koneoppimisvastaanotin on huonompi kuin tavanomainen vastaanotin. Arvioin myös sovelluksen käytettävyyttä ja totean että sovelluksen tarjoama koneoppimisen soveltamisprosessi on käytettävyydeltään parempi kuin tavanomainen manuaalinen koneoppimisen soveltamisprosessi. Nämä tulokset osoittavat, että koneoppiminen voi tarjota hyvän ratkaisun tutkittuun sovelluskohteeseen ja että diplomityössä kehitetty sovellus pystyy tuottamaan suorituskykyisiä koneoppimismalleja. Tästä huolimatta, jatkotutkimusta esimerkiksi koneoppimismallien kompleksisuuteen liittyen vaaditaan, jotta voidaan varmistaa koneoppimismallien soveltuvuus reaalimaailman tietoverkkoihin.
Description
Supervisor
Jung, Alexander
Thesis advisor
Moreno-Crespo, Gerardo
Hassinen, Marko
Keywords
machine learning, software development, 5G NR, UCI, machine learning workflow, usability
Other note
Citation