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?
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
•
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
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.
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
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
13
CC2-v1, CC2-v2 ...
.CC2-v13
CC3
9
CC3-v1, CC3-v2 ...
.CC3-V9
CC4
8
CC4-v1, CC4-v2 ...
.CC4-v8
CC5
5
CC5-v1, CC5-v2 ...
.CC5-v5
CC6
5
CC6-v1, CC6-v2 ...
.CC6-v5
CC7
5
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
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
EmoticonEmoticon