Traditionelle Ansätze des maschinellen Lernens zur Verwaltung von 5G-Netzwerken entlasten Daten aus operativen Netzwerken, die oft rauschbehaftet und verfälscht sind, was die Identifizierung wichtiger Einflussfaktoren erschwert. Diese Forschung adressiert die kritische Lücke zwischen korrelationsbasierter Vorhersage und interpretierbarer, datengestützter Erklärung. Zu diesem Zweck wurde eine softwaredefinierte Standalone-5G-Architektur entwickelt, die srsRAN und Open5GS nutzt, um Multi-User-Szenarien zu unterstützen. Eine Multi-User-Umgebung wurde dann mit GNU Radio simuliert, aus der das ursprüngliche Datenset gesammelt wurde. Dieses Datenset wurde weiter mithilfe eines bedingten tabellarischen generativen adversarialen Netzwerks (CTGAN) erstellt, um die Diversität und Balance zu verbessern. Mehrere Modelle des maschinellen Lernens, einschließlich linearer Regression, Entscheidungsbaum, Zufallswald, Gradient Boosting und XGBoost, wurden trainiert und bewertet, um die Netzwerkleistung vorherzusagen. Unter ihnen erzielte XGBoost die besten Ergebnisse mit einem R2-Wert von 0,998. Um das Modell zu interpretieren, führten wir eine SHAP (SHapley Additive exPlanations)-Analyse durch, die ergab, dass das Verhältnis von Download- zu Upload-Bitrate (dlᵤlᵣatio) und die Upload-Bitrate (brateᵤl) die einflussreichsten Merkmale waren. Durch die Nutzung einer kontrollierten experimentellen 5G-Umgebung zeigt diese Studie, wie maschinelles Lernen über die prädiktive Genauigkeit hinaus in der Lage ist, die grundlegenden Prinzipien zu enthüllen, die die Leistung von 5G-Systemen bestimmen, und bietet eine robuste Grundlage für die zukünftige Netzwerkoptimierung.
Nurakhov et al. (Fri,) untersuchten diese Frage.