Modello predittivo di misure passive per la valutazione della user experience nel sistema 4G

The purpose of this thesis is to define a model capable of providing, through passive measure, an estimation of how the quality of experience of users who connect to an LTE network worsens when the network is congested. To achieve this result, we infer user experience from passive measurements of various performance parameters as seen from the network. Such parameters include the holding time of an LTE data session and the per-user and per-cell throughput. We build a statistical model to describe the baseline conditions, defined as the performance seen under no congestion. Then, we implement an anomaly detection algorithm to measure the impact of network congestion on the observed performance. For the baseline calculation, the linear regression algorithm is used and the model is trained on a dataset containing only values for days when no congestion events occurred. In this first phase, the Mean Absolute Percentage Error (MAPE) is calculated to estimate the percentage of error allowed by the model. This approach makes it possible to combine data observed from congestion events occurring in cells with different configurations and different enviromental conditions. The deviation from the baseline increases significantly when congestion events result in a block probability greater than or equal to 10% . We conclude that there is no empirical evidence that user experience is impacted as long as block rate is below 10%, while such evidence exist above that treshold.

Lo scopo di questa tesi è quello di definire un modello in grado di fornire, attraverso misure passive, una stima di come la Quality of Experience degli utenti, che si connettono a una rete LTE, peggiora quando la rete è congestionata. Per ottenere questo risultato, si vuole desumere la user experience dalle misurazioni passive di vari parametri che rilevano le prestazioni direttamente dalla rete. Tali parametri includono l'holding time di una sessione di dati LTE, il throughput per cella e per utente. Si vuole costruire un modello statistico per descrivere le condizioni della baseline, definite come le prestazioni osservate quando non si sta verificando un evento di congestione. Quindi, si vuole implementare un algoritmo di anomaly detection per misurare l'impatto della congestione di rete sulle performance rilevate. Per il calcolo della baseline, viene usato l'algoritmo di regressione lineare e il modello viene addestrato su un set di dati contenente solo valori relativi ai giorni in cui non si sono verificati eventi di congestione. In questa prima fase, viene calcolato il Mean Absolute Percentage Error (MAPE) per stimare la percentuale di errore consentita dal modello. Questo approccio consente di combinare i dati osservati da eventi di congestione che si verificano in celle con diverse configurazioni e diverse condizioni ambientali. La deviazione dalla baseline aumenta significativamente quando gli eventi di congestione comportano una probabilità di blocco superiore o uguale a 10%. Concludiamo che non esiste alcuna prova empirica sulla Quality of Experience se il block rate è inferiore a 10%, mentre esistono evidenze quando block rate è superiore a tale soglia.