基于机器学习来优化5G用户面的Qos参数

yujingguo

就是设定一种场景，比如5G三大场景中的EMBB场景，在多用户并发的通信场景下，尝试配置给各个用户配置不同的Qos参数，主要是三大块，即UE端的Qos rule，gnodeb端的Qos profile，UPF端的PDR rule这三类参数组合作为监督学习的特征向量X，观测系统的一种KPI，比如平均时延，或者平均吞吐量作为监督学的y。目前这些数据可以采用思博伦的仪器配置后使用wireshark解析出来，但不知道这题目是否有意义，麻烦给指点指点。

admin

因为51学通信主要是做3GPP规范和信令分析为主，一般不敢公开谈厂家产品和涉及运营商隐私的意思东西（比如运营商的文档和KPI）。
这个机器学习不涉及，倒是可以谈。但我个人没有做过，没什么经验。不敢随便乱说误导您。
我个人观点，用机器学习来优化Qos参数可以节省运营商的成本，提升用户感知。肯定是有意义的。
方法论其实您也提到了，我个人也是赞同的。
另外就是建议在计算KPI的时候，不知道计算公式是什么，个人觉得有条件的话尽可能多拿到现网数据作为输入来计算KPI来进行监督学习。
比如实际网络的用户模型、吞吐量、每小区用户数、高峰期/低谷期用户流量/用户数等。这样可能结果更准确或接近实际网络些。
另外不知道是不是举例。严格来说，PDR rule不是qos参数，是用来做报文分类的。UPF的Qos参数是QER决定的。
另外从信令流程的角度看。UE、gNB还有UPF的Qos参数都不是静态配置的，都是由PCF/SMF统一下发的。