Inside: 2017

I. P ENDAHULUAN

Grafik telah digunakan untuk memodelkan hubungan di fisik, biologis dan sistem informasi, teori graf memiliki telah banyak digunakan di domain yang disebutkan di atas [1].

Baru-baru ini, karena kemajuan dalam grafik analisis platform, seperti Spark Graphx / Graphframe, Python NetworkX, Neo4j, Gephi, teori graf telah memperoleh lebih momentum, dan

dianggap sebagai pendekatan kunci untuk memahami dan leverage besar data. [2] telah disebutkan bagaimana Facebook dan twitter telah digunakan grafik sosial untuk mendominasi pasar mereka, dan bagaimana Facebook dan Google menggunakan mereka Cari Grafik dan Grafik Pengetahuan masing-masing untuk bersiap untuk gelombang berikutnya hiper-akurat dan hiper-pribadi rekomendasi.

Aplikasi teori graf dalam jaringan seluler masih terbatas, mereka terutama memiliki dua kategori:

Kategori pertama mengeksplorasi data pengguna ponsel untuk mengidentifikasi pola pergerakan pengguna [3-4]. Tujuan dari Jenis penelitian ini adalah untuk memberikan masukan untuk optimasi di pengiriman konten, perencanaan transportasi. Untuk

Misalnya, berdasarkan pola mobilitas pengguna ponsel,

Komite perencanaan transportasi dapat memanfaatkan pengguna gerakan, kecepatan, durasi tinggal, dan faktor-faktor lain untuk sistem transportasi desain yang lebih baik [5].

Kategori kedua berfokus pada sel sumber daya spectrum perencanaan jaringan [6, 8]. Jenis aplikasi yang dibangun di atas lokasi fisik dan radio fisik sumber. [6] disajikan sebuah software berbasis grafik didefinisikan pendekatan perencanaan jaringan on-line untuk meningkatkan

berbagi spektrum, di mana, sebuah simpul dalam grafik mewakili antena, dan dua simpul yang terhubung dengan

tepi jika dua sel kecil yang sesuai dialokasikan dengan pita frekuensi yang tidak tumpang tindih.

Sejauh ini, dua kategori ini telah diselidiki independen. Bagaimana membangun grafik berdasarkan interaksi antara informasi jaringan fisik dan mobile pengguna perilaku mobilitas masih hilang. Pekerjaan kami dalam makalah ini adalah studi pertama untuk membangun model grafik berdasarkan pada kedua data pengguna mobile dan infrastruktur fisik ponsel jaringan. Karena model grafik yang diusulkan memiliki masukan dari kedua

perilaku pengguna mobile dan jaringan fisik, kerangka dibangun pada grafik tersebut dapat memberikan analisis wawasan jaringan yang lebih baik dari penelitian sebelumnya [3-6].

Organisasi dari makalah ini adalah sebagai berikut: Bagian II menjelaskan motivasi dan pengenalan kerangka;

Bagian III membahas bagaimana membangun kerangka yang diusulkan;

Bagian VI studi cakupan jaringan masalah deteksi lubang dan peringkat simpul sebagai kasus penggunaan kerangka kerja yang diusulkan kami

memeriksa data lapangan dari MNO. Kami juga mengusulkan potensi

Pendekatan optimasi untuk memecahkan lubang cakupan setelah mendapat terdeteksi; Bagian V meliputi kesimpulan dan pekerjaan di masa depan.

II. M OTIVATION DAN P ENDAHULUAN DARI

F RAMEWORK

Operator jaringan seluler (MNO) sudah berbeda data dari operasi sehari-hari mereka. Berdasarkan sumber, mereka mobile data dapat dikategorikan sebagai dua jenis: Data Network, dan data pelanggan.

Jaringan data biasanya dihasilkan dari jaringan yang berbeda elemen. Unsur-unsur khas dalam jaringan LTE meliputi

berevolusi Node Base Station (ENB), Manajemen Mobilitas Elemen (MME), S / P-GW, dan Home Subscriber Sistem

(HSS) dll, dan mereka dikumpulkan oleh Operasi MNO ini Sistem dukungan (OSS) dalam format Key Performance

Indicator (KPI) data secara real time atau dekat real time. Jenis ini Data kontribusi untuk analisis mayoritas untuk MNO untuk memahami keselamatan jaringan mereka dengan memberikan jawaban atas pertanyaan-pertanyaan seperti apa penggunaan kapasitas untuk setiap elemen jaringan, apa peak / rata-rata jumlah pengguna menghubungkan ke setiap elemen?

Kapan dan di mana puncak / waktu kemacetan dan daerah?

Data perilaku pelanggan biasanya dihasilkan dari Apps dalam ponsel pintar. Dengan menginstal Apps mirip dengan Ookla [7]

ke ponsel pintar pengguna mobile individu, MNO mengumpulkan banyak

Data perilaku perincian pengguna baik mengenai penggunaan aplikasi dan kualitas aplikasi. Dengan bantuan data ini, MNO memiliki kemampuan untuk memahami pengalaman pengguna dengan menyediakan jawaban pertanyaan seperti yang / Ketika / mana / apa memiliki telepon panggilan drop? Yang / Ketika / mana / apa memiliki internet sangat rendah throughput yang penjelajahan?

Halaman 2

Meskipun di atas dua jenis data yang baik untuk melayani tujuan analisis yang berbeda, masih ada metodologi perlu memberikan pandangan gabungan dari kedua perilaku jaringan dan perilaku pelanggan, maka kami mengusulkan Jaringan Seluler Grafik Analisis Kerangka seperti yang digambarkan oleh Gambar 1.

Ara. Kerangka 1 Mobile Network Analysis Grafik AKU AKU AKU. G Raph A NALYSYS F RAMEWORK UNTUK MNO

Pada bagian ini, kita memberikan penjelasan rinci tentang Jaringan Mobile Grafik Analisis Kerangka.

A. Data Mining dan Jaringan Mobile Grafik Komponen ini adalah untuk mengekstrak informasi yang sesuai dari kedua jaringan data dan data perilaku pelanggan, dan menghubungkan mereka

ke dalam data Grafik. Data grafik biasanya berisi data untuk Simpul dan Edges. Simpul dapat elemen jaringan dengan atribut mereka sendiri. Tepi diciptakan dari pelanggan ini perilaku mobilitas antara Simpul yang berbeda seperti ditunjukkan pada Gambar.

2: Sebuah Situs yang berhubungan dengan Vertex dalam kasus ini, dan tepi

berat badan adalah jumlah kejadian misalnya Handover terjadi dari satu Site yang lain. Ada lebih serah terima dari Situs B untuk Situs A dari serah terima dari arah lain, yang dapat berkontribusi bobot yang berbeda dari Tepi masing-masing.

Setiap Vertex dan Edge juga dapat memiliki atribut yang kaya. Ara. 3

memberikan contoh bagaimana berbagai peristiwa mobilitas berkontribusi untuk atribut yang berbeda dan bobot untuk Edges, misalnya, jumlah penyerahan sukses dan jumlah yang gagal serah terima berkontribusi atribut HOK dan HNOK

masing-masing. Selain itu, berbeda Ponsel model bisa berkontribusi ponsel model atribut yang ditetapkan di Edge.

Beberapa hal tentang ini Grafik Jaringan Mobile:

Edge adalah directional, yaitu, Ujung dari Situs A ke Situs B dan tepi dari Situs B ke Situs co-ada.

Periode data grafik dapat Month (s), minggu (s), hari (s), jam (s) atau bahkan dekat real time tergantung pada persyaratan dari kasus pengguna.

Simpul juga dapat memiliki atribut mereka. Vertex atribut dapat dikategorikan menjadi dua jenis: semi

statis dan dinamis seperti yang ditunjukkan pada Tabel 1 & 2.

Ara. 2 perilaku Ponsel mobilitas pengguna membentuk Edge.

Ara. 3 Acara berkontribusi atribut yang berbeda dari Edge.

Atribut semi-statis mencakup data dari Situs / perencanaan Sel dan konfigurasi, misalnya Site / Telepon id, Geo-lokasi

(Latitude / Longitude), Azimuth, Tile, Height dll Dinamis atribut termasuk data dari Key Performance Indicator (KPI) data, misalnya jumlah throughput Situs / Sel, jumlah terhubung pelanggan dari Situs / Telepon, dll Dan nilai-nilai mereka berubah dengan waktu.

TABEL I: Contoh Atribut Semi-statis untuk Simpul situs Sel Teknologi Azimuth Panjang / Lat ...

TABEL II: Contoh Atribut Dinamis untuk Simpul situs Se Throughput pengguna terhubung...

The Simpul dari Situs / Telepon di lapangan jauh lebih rumit di Mobile Network. Misalnya, salah satu Situs dapat menyebarkan teknologi yang berbeda (LTE / 3G / GSM) dan masing-masing teknologi mungkin memiliki Sel yang berbeda untuk menutupi azimuth yang berbeda seperti ditunjukkan pada Gambar. 4, perilaku mobilitas sehingga berbeda dapat dihasilkan:

•

Baik dalam Situs yang sama atau dari Web yang berbeda

halaman 3

•

Baik antara teknologi yang sama atau Antara teknologi yang berbeda, seperti serah terima dari LTE untuk 3G, atau serah terima antara satu sel LTE untuk

lain.

Tepi dapat terjadi dalam Situs yang sama. Ara. 5 menunjukkan lapisan yang berbeda dan interaksi antara berbagai lapisan. Begitu tepatnya, dalam kerangka ini setiap sel bukan Site akan

hadir satu Vertex, dan final Mobile Network Grafik Database mencakup data triplet seperti yang ditunjukkan pada Tabel 3.

Ara. 4 Setiap sel menyajikan satu Vertex di Mobile Network Grafik. hadiah merah Sel LTE, Kuning menyajikan sel 3G dan Biru menyediakan sel GSM.

Ara. 5 lapisan teknologi yang berbeda di Tempat MNO. Red menyajikan lapisan LTE, Kuning menyajikan lapisan 3G dan Biru menyediakan lapisan GSM.

TABEL III: Mobile Network Grafik Triplet data

B. global Grafik View

Setelah Jaringan Mobile Grafik dinotasikan sebagai G = (V, E) adalah siap, MNO bisa memanfaatkan untuk melakukan analisis untuk jaringan wawasan. Sebagai langkah berikutnya, berdasarkan kasus penggunaan yang tertarik, atribut yang relevan dari node dan tepi yang dipilih untuk membentuk

Graf dinotasikan sebagai G '= (V', E ') untuk analisa lebih lanjut.

C. Potensi Gunakan Kasus

Sub bagian ini adalah tentang bagaimana untuk menemukan wawasan jaringan untuk MNO dari kerangka ini. Ada banyak teori Graph algoritma berdasarkan yang dapat membantu MNO mengatasi penggunaan yang berbeda kasus. Beberapa dari mereka yang disorot di sini:

1) Analisis Struktur Jaringan

Struktur Jaringan Mobile berdasarkan Teori Graph adalah mungkin salah satu kasus penggunaan penting bagi MNO karena MNO akan memiliki kemungkinan untuk memahami struktur jaringan mereka dari Globe Grafik View. Ada beberapa penelitian yang telah mengeksplorasi Penggunaan hal ini: [9] dibahas komunitas Cepat berlangsung – a Metode heuristik berdasarkan optimasi modularitas untuk mengekstrak struktur masyarakat dari jaringan besar; [10] diusulkan algoritma walktrap yang menangkap kesamaan struktural berdasarkan pada jarak antara simpul; [11] dibahas komunitas deteksi dengan mempertimbangkan jaringan bersama-sama dengan atribut node, tampaknya akan menjanjikan untuk menerapkan mekanisme ini di ponsel jaringan karena Mobile Network Grafik juga memiliki simpul kaya atribut; [12] dekomposisi diusulkan K-core untuk memvisualisasikan jaringan skala besar.

2) Analisis Jaringan Hipotesis

MNO memiliki kepentingan kuat untuk mengevaluasi dampak simpul untuk jaringan secara keseluruhan. Salah satu contoh bisa dengan menghapus salah satu Vertex (Site / Telepon) untuk melihat apa jalur potensial membentuk

untuk tetangga yang tersisa setelah manipulasi.

3) Ranking Simpul Jaringan

Grafik peringkat Vertex dapat dihitung berdasarkan PageRank atau algoritma sentralitas lainnya misalnya Gelar sentralitas, betweenness sentralitas dll [13] disajikan beberapa contoh untuk berbagai jenis algoritma sentralitas, ini bisa menjadi kuat Pendekatan melengkapi solusi saat MnO, yang sebagian besar didasarkan pada KPI jaringan dari jaringan individu node bukannya dari tampilan grafik global. Berdasarkan Node peringkat, MNO bisa datang dengan investasi jaringan yang lebih baik rencana, misalnya situs dengan peringkat yang lebih tinggi layak lebih banyak investasi di hal kapasitas atau cakupan dll

4) Jaringan Perencanaan Optimization

Algoritma grafik dapat membantu menghitung jalur terpendek antara dua simpul dalam grafik, sehingga operator yang bisa bandingkan hasil ini dengan perencanaan jaringan aslinya. Satu Misalnya bisa menjadi jalan mobilitas sepanjang jalan raya, karena Grafik dibangun dari perilaku pelanggan nyata, perbedaan membandingkan dengan perencanaan awal akan membantu operator yang melakukan optimasi lebih lanjut.

5) Deteksi Komunitas

Analisis komunitas keluaran dari grafik algoritma misalnya K-klik, propagasi label atau masyarakat cepat berlangsung, bisa operator bantuan memahami bagaimana erat Cell Yang / Tempat berkorelasi dalam jaringan mereka. Informasi ini dapat membantu MNO memperluas kapasitas jaringan mereka dengan cara yang lebih efisien.

6) Cakupan Lubang Deteksi dan Optimasi

Kasus penggunaan ini akan menjadi pembahasan rinci di follow

ayat D.

D. Dipilih Use Case Study - Jaringan Cakupan Lubang

Deteksi dan Optimasi

Salah satu tantangan penting untuk optimalisasi jaringan seluler cara mendeteksi lubang cakupan dengan cara yang terukur dan efisien.

Lubang cakupan dapat diartikan sebagai tidak ada jangkauan jaringan di beberapa daerah tertentu, atau handover tak terduga terjadi Antara teknologi yang berbeda, misalnya dari LTE ke UMTS / GSM. Dalam

halaman 4

kasus terakhir, MNO ingin memiliki cakupan LTE penuh dalam

daerah-daerah tertentu, sehingga pelanggan dapat memiliki pengalaman yang lebih baik

bukannya mendapatkan layanan terdegradasi dari 2G / 3G atau beralih

kembali dan maju antara LTE dan 2G / 3G.

Pendekatan tradisional untuk mengatasi masalah ini meliputi:

•

Analisis jaringan Node KPI

•

Mendorong tes untuk menutupi beberapa ruas jalan utama / daerah

•

Analisis KPI Crowd-sourcing Apps berdasarkan dari

ponsel pelanggan '

Ada keterbatasan dari pendekatan di atas: Untuk pertama

Pendekatan, sulit untuk mendeteksi lubang cakupan jika pengguna ponsel

tidak bisa berkemah ke jaringan, sehingga tidak ada counter / KPI diperbarui

untuk node jaringan. Pendekatan kedua sebagai test drive tidak

solusi scalable dan efisien karena fakta yang mendorong tes

tidak dapat mencakup semua wilayah, dan jaringan MNO terus berubah

karena ekspansi / penyesuaian / parameter penyetelan dll ketiga

satu tergantung pada rasio penetrasi semacam ini Apps yang

terutama dikembangkan dan dipromosikan oleh MNO sendiri.

Kerangka yang diusulkan membuka kesempatan baru untuk

masalah deteksi cakupan lubang jaringan alamat dengan memanfaatkan

algoritma seperti komponen terhubung dikembangkan di

Teori graph. Konsep komponen yang terhubung (CC) adalah

ditunjukkan pada Gambar. 6. Ada tiga CCs terisolasi di ini

grafik.

Ara. 6 Grafik dengan tiga komponen yang terhubung. (Gambar credit: Wikipedia)

Ara. 7 menggambarkan proses untuk lubang jangkauan jaringan

deteksi dan bagaimana mengatasi jaringan masalah cakupan lubang.

Ini terdiri dari perhitungan CC, identifikasi CC Terisolasi, terdekat

Temuan tetangga untuk CCs terisolasi dan menggunakan Linear

teknik pemrograman untuk menyediakan konektivitas optimal untuk

menghubungkan CCs terisolasi dengan CC raksasa.

1) Hitung Komponen Connected

Berdasarkan jenis jaringan masalah cakupan lubang

yang menarik, yang sesuai subgraph perlu

terbentuk. Asumsikan kita tertarik masalah lubang cakupan di

Jaringan LTE, tepi dan kelenjar terkait dengan LTE

atribut dipilih dan bentuk Graf untuk menghitung CCs.

Misalnya, peristiwa penyerahan sukses antara LTE

node dipilih dan serah terima menghitung antara node LTE

dianggap sebagai berat tepi. Selanjutnya, bobot tepi dapat

disesuaikan dengan memberlakukan ambang batas yang telah ditetapkan untuk tujuan

menemukan link yang lemah bukan link yang hilang antara

node. Berdasarkan Graf terbentuk, CCs dihitung menggunakan

teknik teori graf.

Ara. 7 Proses untuk deteksi lubang cakupan jaringan dan optimasi

2) Mengidentifikasi Komponen Connected Terisolasi

Grafik MNO dibangun dari mobilitas pengguna ponsel '

perilaku, itu diharapkan mayoritas MNO Grafik Simpul

terhubung bersama-sama. Jika kita melihat banyak kecil yang terhubung

komponen, itu berarti pengguna ponsel di daerah yang terkena dampak paling mungkin

mungkin menderita tetes panggilan ketika mereka melakukan perjalanan antara mereka yang berbeda

komponen terhubung, sehingga cakupan lubang dapat diturunkan karena

CCs terisolasi diidentifikasi.

3) Cari Tetangga terdekat

Pertanyaan ini dapat dikategorikan sebagai "tetangga terdekat

pencarian atau grafik tetangga terdekat "[14,15,16]. Untuk tujuan

memvalidasi kerangka tanpa mempertimbangkan komputasi

efisiensi, grafik lengkap dihasilkan dari semua simpul

sementara menerapkan jarak sebagai berat Ujung mereka.

Simpul dari komponen terhubung-terisolasi kecil harus

memiliki Simpul tetangga terdekat dari raksasa terhubung

komponen, dan hubungan antara mereka didefinisikan sebagai

potensial yang hilang-link atau lemah-link. Pada Gambar. 8, bintik-bintik merah

Simpul hadir dari komponen yang terhubung kecil-terisolasi,

bintik-bintik biru Simpul hadir dari komponen terhubung raksasa,

dan kuning dot garis menyajikan potensi miss-link / lemah-

link. Strip kuning seperti ditunjukkan pada Gambar. 9 menyajikan potensi

lubang cakupan lokasi.

Ara. 8 Potensi miss-link / lemah-hubungan antara CCs.

Ara. 9 Identifikasi potensi lubang cakupan atau lokasi bermasalah.

halaman 5

4) Cari Area Bermasalah

Kita harus mengidentifikasi dan menemukan daerah bermasalah untuk setiap

kecil-terisolasi CC seperti ditunjukkan pada Gambar. 10 (I). Output ini

Langkah terdiri dari tiga bagian:

a) A Geo-lokasi Area: yang dapat disajikan oleh misalnya 10

km x 15 km. Daerah ini harus mencakup Simpul dari kecil

Koneksi komponen terisolasi bersama-sama dengan terdekat mereka

tetangga yang merupakan simpul dari raksasa terhubung

komponen.

b) simpul di dalam area diidentifikasi: yang dapat

dilambangkan dengan B, dimana B adalah himpunan BTS, jumlah BTS

di B adalah N.

c) Tujuan Poin: Kami mendefinisikan konsep Tujuan

Poin, yang MNO memiliki minat khusus untuk mengoptimalkan mereka

cakupan. Salah satu contoh untuk Tujuan Poin adalah jalan-jalan utama

antara CC kecil-terisolasi dan satu raksasa, dalam skenario ini,

MNO akan memiliki motivasi untuk hanya mengoptimalkan cakupan

bagi mereka jalan-jalan utama karena yang diharapkan sebagian besar orang akan

perjalanan melalui ini jalan-jalan utama. Pada Gambar. 10 (II) dua garis coklat

menyajikan jalan-jalan utama yang menghubungkan dua CCs yang berbeda, dan

segitiga cokelat kecil menyajikan Tempat Tujuan. Lain

Misalnya untuk Tujuan Tempat didasarkan pada populasi

beberapa zona khusus. Di dalam daerah bermasalah, kemungkinan besar ada

adalah beberapa lokasi yang memiliki banyak penduduk, misalnya beberapa

distrik bisnis atau daerah pemukiman yang disajikan oleh kecil

segitiga coklat pada Gambar. 10 (III).

Dalam prakteknya, kita dapat mengekstrak informasi titik Tujuan ini

dari misalnya Google Map, seperti mengidentifikasi jalan dari peta

dan penggalian geo-lokasi poin dari jalan. Itu

output semacam ini Tujuan Poin akan daftar poin dengan

Latitude informasi / Bujur. Himpunan titik-titik bunga

dilambangkan sebagai P, jumlah Interest Poin di P adalah M.

Tujuan dari identifikasi Tujuan Poin adalah untuk membangun basis

untuk optimasi cakupan: sekali daerah bermasalah berada,

bukannya menyediakan cakupan untuk semua titik dalam area ini

yang mungkin memerlukan investasi tambahan besar, MNO mungkin memiliki

motivasi untuk mencari solusi optimal, yaitu, memperpanjang

cakupan jaringan ke beberapa Tempat Tujuan penting saja. Di

bagian berikutnya, kita akan mengusulkan algoritma tersebut berdasarkan linear

model pemrograman.

SAYA.

II.

AKU AKU AKU.

Ara. 10 Cari area bermasalah (I), dan ekstrak Tempat Tujuan berdasarkan

jalan besar (II) atau populasi zona (III).

5) Algoritma Optimalkan Coverage

Langkah selanjutnya kita masih bekerja pada pemrograman Linear

untuk melakukan optimasi.

IV. E Xperiment DENGAN M obile O PERATOR 'S D ATA

Pada bagian ini, kita akan bereksperimen beberapa data lapangan dari

MNO untuk memvalidasi kerangka ini dengan menerapkan dua kasus penggunaan

- Deteksi lubang cakupan jaringan dan peringkat simpul.

A. Latar Belakang Percobaan

Tabel 4 menyoroti beberapa informasi dasar dari lapangan

Data: Jumlah node sekitar 10.000 dan data periode pengumpulan adalah

satu bulan. Spark Graphx / Graphframe, Python NetworkX adalah

digunakan untuk analisis Grafik, Cytoscape dan Gephi digunakan untuk

Grafik visualisasi.

TABEL IV: Data Bidang untuk Eksperimen

periode data

Puncak

Atribut Node

Atribut tepi

satu bulan

~ 10.000

Throughput ...

Serahkan…

B. Gunakan Kasus 1 - Deteksi Jaringan Cakupan Lubang

1) Hitung dan Visualisasikan Semua Komponen Terhubung.

Visualisasi komponen yang terhubung ditampilkan dalam

Ara. 11. Ada komponen terhubung raksasa yang menghubungkan

hampir semua Simpul bersama-sama dengan banyak kecil-terisolasi

komponen terhubung yaitu total sekitar 80 CCs. Raksasa

komponen terhubung menunjukkan sebagian besar Tempat / Sel memiliki

perilaku (sukses) mobilitas antara mereka, sementara kecil

komponen terhubung terisolasi ini mereka tidak memiliki

(sukses) interaksi mobilitas dengan sisa lainnya

komponen yang terhubung selama periode data, yaitu, satu bulan.

Output dari analisis Grafik juga memberikan rincian untuk masing-masing

komponen terhubung, termasuk jumlah simpul dan

daftar Simpul ini seperti yang ditunjukkan pada Tabel 5.

2) Menghasilkan Grafik Lengkap

Kami membangun grafik lengkap untuk semua Nodes, dan menerapkan

jarak antara Stasiun Basis sebagai bobot dari Tepi mereka.

Selanjutnya kita akan menggunakan grafik yang lengkap ini untuk menemukan terdekat

tetangga.

3) Cari Tetangga terdekat untuk CCs Terisolasi

Untuk Simpul dari CC kecil-terisolasi, merupakan implementasi dari

Algoritma Dijkstra dari Python NetworkX digunakan untuk menemukan

tetangga terdekat mereka [Tabel 6].

4) Visualisasi dari Terhubung Kecil-terisolasi

Komponen di Atas Peta

Sebagai Vertex memiliki atribut Geo-lokasi

(Latitude / Longitude), dengan output di atas 3), Ini juga mudah

untuk memvisualisasikan komponen terhubung kecil-terisolasi bersama-sama

dengan tetangga terdekat mereka di atas Peta. Dua contoh memiliki

ditampilkan pada Gambar 12, di mana titik-titik simpul hadir merah

dari komponen terhubung kecil-terisolasi sementara bintik-bintik biru

Simpul hadir dari komponen terhubung raksasa.

C. Gunakan Kasus 2 - Node Ranking

1) Menghasilkan Grafik View

halaman 6

Kami ingin menjawab satu pertanyaan dalam penggunaan kedua

kasus: Seberapa penting node (MNO Situs / Telepon) adalah dalam jaringan?

Kami memilih skenario raya untuk percobaan ini seperti digambarkan dalam

Ara. 13. MNO menyebarkan empat lokasi untuk menutupi daerah ini yang memiliki

raya Alpha mencegat dengan jalan raya Beta.

Seperti yang kita bahas dalam bagian III, masing-masing situs memiliki sel-sel yang berbeda untuk

teknologi yang berbeda, yaitu LTE, UMTS dan GSM. sebagai

Misalnya, Site D ditunjukkan pada Gambar. 14 yang merupakan output ada

tata letak grafik simpul overlay meskipun sebenarnya mereka memiliki

sama Geo-lokasi (Latitude, Longitude).

Ara. 11 Visualisasi Grafik

TABEL V: Terhubung komponen dan Simpul mereka

terhubung

komponen

Jumlah Vertex

daftar Vertex

CC1 (Giant satu)

10.791

V1, v2, v3 ...

CC2

CC2-v1, CC2-v2 ... .CC2-v13

CC3

CC3-v1, CC3-v2 ... .CC3-V9

CC4

CC4-v1, CC4-v2 ... .CC4-v8

CC5

CC5-v1, CC5-v2 ... .CC5-v5

CC6

CC6-v1, CC6-v2 ... .CC6-v5

CC7

CC7-v1, CC7-v2 ... .CC7-v5

...

TABEL VI: Input / output Menemukan Tetangga terdekat

masukan Contoh

Dijkstra

algoritma untuk

jalur terpendek

Output Contoh

Node sumber = BS1

Radius = 3000 (meter)

Python NetworkX

[BS1, BS2, BS3, BS4, BS5, BS6, BS7]

Gambar 12. Cari CC kecil-terisolasi di atas Peta.

Ara. 13 Jalan Raya Skenario, Red Dots Tempat ini, lini Hitam hadir

jalan raya.

Ara. 14 Situs D ditunjukkan oleh semua Sel nya. Oranye gelembung hadiah LTE

sel, Light Blue gelembung sel UMTS hadir dan sel Hijau hadir GSM

sel.

2) Output Betweenness Sentralitas

Kami menerapkan algoritma sentralitas Betweenness untuk sub ini

grafik seperti ditunjukkan pada Gambar. 15.

Ara. 15 Visualisasi Betweenness Sentralitas, Ukuran dari node menyajikan

Peringkat

Ara. 16 Visualisasi Site C.

3) Pengamatan

Pengamatan pertama adalah bahwa Site B bermain kurang peran dalam hal ini

raya skenario. Misalnya, Site B duduk antara Site

halaman 7

A dan Site C, dan sebagian besar lalu lintas di sepanjang jalan raya Alpha

telah ditangani oleh Site A, Situs D atau Situs C. MNO mungkin memiliki

pilihan untuk memikirkan kembali investasi Site B ini.

Pengamatan kedua adalah bahwa Situs C memiliki berat Intra-Site

lalu lintas dari situs lain seperti ditunjukkan pada Gambar. 16. Grafik diperbesar

Site C juga menunjukkan satu sel LTE berinteraksi berat dengan tiga

Sel UMTS dari situs yang sama.

D. Awal Eksperimen Kesimpulan

Berdasarkan kerangka yang diusulkan, kami melakukan data mining dan

dibangun grafik dari data lapangan satu bulan dari jaringan dan

perilaku pelanggan. Meskipun Grafik Teori bisa

berpotensi memberikan banyak wawasan tentang jaringan melalui berbeda

algoritma analisis, dalam makalah ini, kami hanya mengadopsi dua kasus penggunaan,

yaitu, deteksi cakupan lubang dan optimasi, peringkat node

memvalidasi kerangka.

Untuk jaringan kasus penggunaan lubang cakupan, kami telah berhasil

mengidentifikasi beberapa Simpul terisolasi (Tempat / Sel) bersama-sama dengan

tetangga terdekat mereka, dan divisualisasikan daerah bermasalah pada

atas Peta berdasarkan informasi Geo-lokasi. Kami juga

diterapkan skenario raya untuk kasus penggunaan peringkat node dan

juga berhasil diturunkan beberapa pengamatan.

V. F uture W ORK DAN C ONCLUSION

Dalam tulisan ini, kita telah membahas motivasi untuk membuat

Grafik Teori berdasarkan Analisis Jaringan Mobile Insight

Kerangka, dijelaskan setiap komponen dari kerangka kerja, maka

kita bahas beberapa kasus penggunaan untuk MNO yang dapat mengambil

keuntungan dari kerangka yang diusulkan. Kami telah menggunakan jaringan

Inside

NELLA KHARISMA - RA KUAT MBOK

EMAK VIRAL JAGO MAIN GITAR - LAGU KENANGAN

KHUSUS DEWASA ~ TENTARA SEMOK LATIHAN SHOOT

VIDEO AYAH DENGAN ANAKNYA BERMAIN S*X DI HUTAN

SHOLAWAT ~ CINTA DALAM ISTIKHARAH NASYIDUL HUBB

SHOLAWAT ~ YA HABIBAL QOLBI NASYIDUL HUBB KEKASIH HATI

SHOLAWAT ~ SULUK YA BADROTIM NASYIDULHUBB PENYEJUK HATI PENDENGAR

AKAD PERNIKAHAN BIKIN BAPER YANG BELUM MENIKAH

ETA TRANGKANLAH VERSI CW BIKIN GEGER NETIZEN

ROAD RACE SATRIA bikin GEGER PERFORMA

KIMCIL KEPOLEN by NELLA KHARISMA dangdut 69

Heboh anak SMA amateur P0RN 69

DI BIKIN NGECot OLEH PEMANDDU LAGU ~ esemlohe 69

JANDA CANTIK BUTUH BELAIAN PRIA ~ esemlohe 69

S**U GEDE ~ GOYANG ESEMLOHE 96 2017

PEMANDU LAGU ML ~ Dangdut Goyang Esemlohe 96

DESPASITO PEMANDU LAGU ~ Goyang Dangdut Esemlohe 96

SAKITNYA TUH DISINI ~ Goyang Dangdut Esemlohe 96

BOJO GALAK ~ Goyang Dangdut Esemlohe 69

Gala-Gala ~Goyang Dangdut esemlohe

Brazil Tigers- Family Pets (Public Danger)

joget dangdut panas hot montok

uye~DESPACITO MANTAN GELO !!

ini yang namanya anak kreatif !!!!!!!!

Mistik - Gamelan Gending Jawa

Joget Jihan Audy Manise Puol ~ Jaran Goyang

Kumpulan Goyang TURUN NAIK yang bikin betah (malah sangee) di kamar

(Bukan Sulap Bukan Sihir )Benerin Bodi Peot Tanpa keluar biaya

CARA PENYELESAIAN SOAL GRAF DAN OTOMATA 2017

Materi Kuliah Teori Graf Otomata