Enhancing mobile network KPI data retention through efficient compression methods

Performance analysis in mobile networks relies on the collection of Key Performance Indicators (KPIs) from various base stations. However, the extended storage of high-resolution KPIs requires significant resources, pushing operators to aggregate data over larger time windows, thus losing many useful details. This thesis studies various compression techniques that are capable of maintaining high data resolution while also reducing the storage space required. Both lossless and lossy compression methods were considered. Although the theoretical approach of entropy coding provided a benchmark for lossless compression, the focus was mainly on lossy pipelines, based on the integration of transforms (DCT, PCA), uniform quantization, DPCM and entropy coding. The compression performance was then evaluated by comparing the bitrate with the reconstruction quality, quantified using MSE, RMSE, and SNR. Among the solutions considered, the pipeline with PCA offered the best compromise between reconstruction quality and compression ratio, followed by the one with DPCM and the one with DCT. Two coding mode decision strategies were later introduced, choosing the configuration that optimizes a cost function based on SNR and bitrate. The results show that it is possible to achieve SNRs of 20-30 dB with 2-4 bits/sample (ratio 16-32). Two use cases were also investigated. The first focused on the analysis of the sum of data from individual cells and the second concentrated on the prediction of future data (with MWS and LSTM). In the first case, higher SNRs were observed at the same bitrate compared to individual cells, while in the second case compressing the data did not affect the prediction for bitrates higher than 3 bits/sample. Overall, the results show that even simple techniques can provide good compression ratios with minimal loss, allowing a great amount of detailed data to be preserved over time.

L'analisi delle prestazioni nelle reti mobili si basa sulla raccolta di indicatori chiave di prestazione (KPI) da varie stazioni base. Tuttavia, l'archiviazione prolungata di KPI ad alta risoluzione richiede notevoli risorse, spingendo gli operatori ad aggregare i dati su finestre temporali più ampie, perdendo di conseguenza molti dettagli utili. Questa tesi studia varie tecniche di compressione in grado di mantenere un'alta risoluzione dei dati riducendo però lo spazio necessario per l'archiviazione. Sono stati considerati sia metodi di compressione senza perdita che con perdita. Sebbene l'approccio teorico della codifica entropica abbia fornito un benchmark per la compressione senza perdita, l'attenzione è stata rivolta principalmente alle pipeline con perdita, basate sull'integrazione di trasformate (DCT, PCA), quantizzazione uniforme, DPCM e codifica entropica. Le prestazioni della compressione sono state quindi valutate confrontando il bitrate con la qualità della ricostruzione, quantificata tramite MSE, RMSE e SNR. Tra le soluzioni considerate, la pipeline con PCA offre il miglior compromesso tra qualità della ricostruzione e rapporto di compressione, seguita da quella con DPCM e quella con DCT. Sono state poi introdotte due strategie di coding mode decision, che scelgono la configurazione che ottimizza una funzione di costo basata su SNR e bitrate. I risultati mostrano che è possibile ottenere SNR di 20-30 dB con 2-4 bit/campione (rapporto 16-32). Sono stati inoltre analizzati due casi d'uso. Il primo focalizzato sull'analisi della somma dei dati delle singole celle e il secondo riguardante la predizione dei dati futuri (con MWS e LSTM). Nel primo caso si notano SNR superiori a parità di bitrate rispetto alle singole celle, mentre nel secondo caso comprimere i dati non influisce sulla predizione per bitrate superiori ai 3 bit/campione. Nel complesso, i risultati mostrano come anche tecniche semplici possono garantire buoni rapporti di compressione con perdita minima, permettendo di conservare nel tempo una grande quantità di dati dettagliati.