Fugu-MT 論文翻訳(概要): ML-Based Real-Time Downlink Performance Prediction in Standalone 5G NR Using Smartphones

論文の概要: ML-Based Real-Time Downlink Performance Prediction in Standalone 5G NR Using Smartphones

arxiv url: http://arxiv.org/abs/2604.09632v1
Date: Thu, 19 Mar 2026 18:46:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-19 19:09:11.582215
Title: ML-Based Real-Time Downlink Performance Prediction in Standalone 5G NR Using Smartphones
Title（参考訳）: スマートフォンを用いたスタンドアロン5G NRにおけるMLに基づくリアルタイムダウンリンク性能予測
Authors: Md Mahfuzur Rahman, Jareen Shuva, Nishith Tripathi, Jeffrey H. Reed, Lingjia Liu,
Abstract要約: 商用オフザシェルフ(COTS)ユーザ機器(UE)のリアルタイム計測を用いた5Gネットワークにおけるダウンリンク性能予測フレームワークを提案する。 2つのGoogle Pixel 7aスマートフォンは、チャネル品質指標(CQI)、変調および符号化方式(MCS)、ビットレート、伝送時間間隔(TTI)、ブロックエラー率(BLER)などの物理層特性を収集するために使用される。テストデータには、グローバルなOoklaサーバ(米国、ポルトガル、ガーナ、エジプト、日本)、iperf TCP/UDPデータ、YouTubeのビデオストリーミングセッションが含まれる。
参考スコア（独自算出の注目度）: 17.884632967810315
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a machine learning (ML)-based framework for downlink performance prediction in 5G networks using real-time measurements from commercial off-the-shelf (COTS) user equipment (UE). Our experimental platform integrates the srsRAN 5G New Radio (NR) stack deployed on a Dell desktop serving as the 5G next generation nodeB (gNB), operating at 3.4 GHz. Two Google Pixel 7a smartphones are used to collect physical layer characteristics such as channel quality indicator (CQI), modulation and coding scheme (MCS), bit rate, transmission time interval (TTI), and block error rate (BLER), which are leveraged as predictors in model training. We use commercial-grade traffic generation tools, including Ookla, for stationary and mobility measurements under line-of-sight (LOS) and non-line-of-sight (nLOS) conditions. Test data includes global Ookla servers (e.g., USA, Portugal, Ghana, Egypt, Japan), iperf TCP/UDP data, and video streaming sessions from YouTube. To analyze inter-user interference, we also include scenarios with multiple UEs at the same location. We evaluate the predictive performance of five supervised regression models - linear regression, decision tree regression, random forest regression, extreme gradient boosting (XGBoost), light gradient boosting machine (LightGBM). Our results demonstrate that throughput and BLER can be accurately predicted using COTS hardware and standard ML techniques in diverse real-world 5G scenarios.
Abstract（参考訳）: 本稿では,商用オフザシェルフ(COTS)ユーザ機器(UE)のリアルタイム計測を用いて,5Gネットワークにおけるダウンリンク性能予測のための機械学習(ML)ベースのフレームワークを提案する。実験プラットフォームでは,3.4GHzで動作する5G次世代ノードB(gNB)としてDellデスクトップ上にデプロイされたsrsRAN 5G New Radio(NR)スタックを統合した。 2つのGoogle Pixel 7aスマートフォンは、チャネル品質指標(CQI)、変調および符号化スキーム(MCS)、ビットレート、伝送時間間隔(TTI)、ブロックエラー率(BLER)などの物理層特性を収集し、モデルトレーニングで予測器として活用する。我々は、Ooklaなどの商用トラフィック生成ツールを用いて、LOS(Line-of-sight)およびNon-line-of-ight(nLOS)条件下での静止および移動の測定を行う。テストデータには、グローバルなOoklaサーバ(例えば、米国、ポルトガル、ガーナ、エジプト、日本)、iperf TCP/UDPデータ、YouTubeのビデオストリーミングセッションが含まれる。ユーザ間の干渉を分析するために、複数のUEを同じ場所に配置するシナリオも含んでいる。線形回帰, 決定木回帰, ランダム森林回帰, 極勾配昇降 (XGBoost), 光勾配昇降機 (LightGBM) の5つの教師付き回帰モデルの予測性能を評価した。実世界の5Gシナリオにおいて,COTSハードウェアと標準ML技術を用いてスループットとBLERを正確に予測できることを示す。

関連論文リスト

Characterizing 5G User Throughput via Uncertainty Modeling and Crowdsourced Measurements [0.0]
本稿では,ダウンリンクユーザスループット推定のための不確実性と説明可能なアプローチを提案する。先程の4G手法を検証し、R2を8.7%改善し、5G NSAと5G SAに拡張した。スループットの変動性に対処するために,点推定と校正された信頼区間の両方を出力するモデルであるNGBoostを適用する。
論文参考訳（メタデータ） (2025-10-10T10:29:32Z)
Near-Real-Time Resource Slicing for QoS Optimization in 5G O-RAN using Deep Reinforcement Learning [19.02610605908148]
本稿では,5G O-RANのNear-Real-Time (Near-RT) RAN Intelligent Controller (RIC) のためのxSliceと呼ばれるxAppを提案する。 xSliceは、動的ネットワーク状態に応じてMAC層リソース割り当てを適応的に調整するオンライン学習アルゴリズムである。実験の結果、xSliceは最先端のソリューションと比較して、パフォーマンスの後悔を67%削減できることがわかった。
論文参考訳（メタデータ） (2025-09-17T18:20:04Z)
Benchmarking Federated Learning for Throughput Prediction in 5G Live Streaming Applications [5.026196568145574]
本稿では,現実的な5Gエッジシナリオにおけるスループット予測のためのフェデレーション学習戦略の総合的なベンチマークを行う。 FedBNは、非IID条件下で一貫してロバストな性能を提供する。 LSTMとTransformerモデルは、CNNベースのベースラインを最大80%のR2スコアで上回る。
論文参考訳（メタデータ） (2025-08-11T21:27:40Z)
AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させているこれらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
論文参考訳（メタデータ） (2025-07-24T16:04:59Z)
Practical Commercial 5G Standalone (SA) Uplink Throughput Prediction [12.675818403052041]
我々は,過去のアップリンクスループットとRFパラメータに基づいて,将来的なアップリンクスループットを予測するために,ConvLSTMベースのニューラルネットワークを提案する。このネットワークは、通勤列車に乗りながら商用の5G SAネットワークで実世界のドライブテストのデータを用いて訓練されている。我々のモデルは平均予測精度98.9%に達し、平均RMSEは1.80Mbpsである。
論文参考訳（メタデータ） (2023-07-23T20:01:18Z)
Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文参考訳（メタデータ） (2022-09-01T03:27:33Z)
Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
論文参考訳（メタデータ） (2022-01-13T15:20:45Z)
Long Short Term Memory Networks for Bandwidth Forecasting in Mobile Broadband Networks under Mobility [6.112377814215607]
MBBネットワークにおける帯域幅予測実験のためのオープンソースのフレームワークであるHINDSIGHT++を紹介する。主に第5世代(5G)ネットワークの帯域幅予測に重点を置いている。特に5Gophersは,米国内で運用されている5Gネットワーク上でのネットワーク性能を計測するための,最初のオープンソースの試みである。
論文参考訳（メタデータ） (2020-11-20T18:59:27Z)
A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
論文参考訳（メタデータ） (2020-02-28T05:56:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。