Estimativa do ritmo de transmiss˜ ao m´ aximo da c´ elula

O ritmo de transmiss˜ao de dados de DL, em LTE, num UE ´e determinada por trˆes fatores: aloca¸c˜oes de TTI para o UE no dom´ınio do tempo, aloca¸c˜oes de PRBs por TTI e defini¸c˜ao do MCS por PRB alocado, tendo em conta as condi¸c˜oes de RF a que o UE est´a sujeito. O n´ıvel de MCS varia consoante o n´ıvel Signal to Interference and Noise Ratio (SINR) medido no UE, ou seja, quanto maior o SINR maior ser´a o n´ıvel de MCS e, consequentemente, maiores d´ebitos o UE consegue atingir. Para al´em disso, as aloca¸c˜oes de PRB e TTI dependem da carga de tr´afego no eNB que serve v´arios UEs na sua ´area de cobertura. No caso da carga de tr´afego no eNB ser demasiado elevada, o ritmo de transmiss˜ao em DL n˜ao ser´a elevada, mesmo que o UE tenha bons n´ıveis de SINR medidos [3]. No 3GPP [47], ´e especificado qual o TBS a ser usado pelo eNB de acordo com o ´ındice MCS e n´umero de PRBs alocados ao UE. Dependendo tamb´em das condi¸c˜oes RF, podem ser aplicadas v´arias t´ecnicas de m´ultiplas antenas, por exemplo, MIMO 2x2 ou MIMO 4x4. Estas t´ecnicas tamb´em ajudam a aumentar o ritmo de transmiss˜ao (quase em 2 ou 4 vezes, respectivamente).O ritmo de transmiss˜ao em DL ´e ent˜ao calculada a partir do TBS e do n´umero de fluxos MIMO, como apresentado na Equa¸c˜ao 5.5

T hrpDL = T BSsize× (N umStreams) ×

1sec

1ms. (5.5)

O ´ındice MCS determinado pelo eNB ´e selecionado com base no CQI reportado pelo UE, que indica a qualidade de SINR recebido no UE. Pode-se dizer tamb´em que o ritmo de transmiss˜ao de DL pode ser re-expressa pelos PRBs alocados para o UE e o SINR recebido no UE, j´a que o SINR ´e proporcional ao CQI informado [4].

Ao contr´ario dos modelos anteriores, a vari´avel dependente, neste modelo RLM, passa a ser o ritmo de transmiss˜ao da c´elula, onde se pretende calcular qual a capacidade m´axima da c´elula, a n´ıvel do ritmo de transmiss˜ao, tendo em conta os dados de KPI. `A semelhan¸ca da Equa¸c˜ao 5.1, o modelo RLM ´

e identico, mudando a vari´avel dependente.

T hrp0_DL(c) = β₀+

n

X

i=1

βixi(c) (5.6)

onde T hrp0_DL ´e o ritmo de transmiss˜ao de DL da c´elula de todos os servi¸cos QCI. xi s˜ao, novamente,

as vari´aveis independentes de dados PM selecionadas em cada c´elula (c), βi s˜ao os coeficientes de

regress˜ao para cada x_i e n ´e o n´umero de vari´aveis independentes constituintes do modelo. `

A semelhan¸ca dos modelos anteriores, as vari´aveis independentes passaram no algoritmo de sele¸c˜ao de features para se conseguir uma boa precis˜ao nos resultados, com o menor n´umero de features poss´ıvel. As features apresentadas na Tabela 5.1 s˜ao as vari´aveis independentes mais significativas para a estimativa da capacidade da c´elula.

Tabela 5.1: Vari´aveis independentes selecionadas para o modelo RLM.

Features Descric¸˜ao

RAB.Est.TimeAvg [ms] Dura¸c˜ao m´edia da configura¸c˜ao do E-RAB na c´elula RRC.ConnSetup.TimeAvg [ms] Dura¸c˜ao m´edia da configura¸c˜ao da conex˜ao RRC

PRB.UtilRate [%] N´umero m´edio de PRBs

Avg.MCS M´edia de MCS usado pelos UE

Avg.CQI M´edia de CQI usado pelos UE, em DL

Depois do modelo RLM constru´ıdo, mais uma vez, determinar-se a capacidade m´axima ao for¸car a taxa de utiliza¸c˜ao de PRBs, sendo:

x1 ≡ P RB.U tilRate (5.7)

ent˜ao o T hrp0_DL ´e m´aximo quando x1 = 100%.

Determina-se assim o d´ebito m´aximo por amostra de forma a gerar dois patamares de capacidade da c´elula. Onde o primeiro patamar se trata da m´edia de todas as amostras e o segundo ´e o valor m´aximo de todas as amostras, sendo este o melhor caso a n´ıvel de condi¸c˜oes r´adio que a c´elula esteve sujeita. Como j´a referido, as margens de capacidade determinam-se a partir do algoritmo de headroom para os dois patamares determinados.

Tendo em considera¸c˜ao os resultados apresentados no Anexo C, para o primeiro m´etodo utilizou-se para o modelo de capacidade 4G desenvolvido o segundo m´etodo. Uma vez que para aplicar o primeiro m´etodo seriam necess´arios mais dados de servi¸cos distintos.

6

An´alise e validac¸˜ao de resultados

6.3.1 Detec¸c˜ao de c´elulas com problemas de capacidade . . . 86 6.3.2 Estimativa da capacidade da c´elula pelo modelo RLM . . . 87

Neste cap´ıtulo s˜ao apresentados alguns resultados dos modelos de capacidade 3G e 4G desenvolvi- dos. Os parˆametros de input ser˜ao alterados para testar e validar o melhor poss´ıvel ambos os modelos. Para o modelo de capacidade 3G variar-se-´a parˆametros como o Rtarget, probabilidades de bloqueio,

n´ıvel de potˆencia transmitida, o n´umero e tipo de servi¸cos e o n´umero de slots reservados para han- dover. No modelo de capacidade 4G ser´a feita uma monitoriza¸c˜ao da capacidade num vasto conjunto de c´elulas, identificando as mais cr´ıticas.

6.1

Introdu¸c˜ao

Na Sec¸c˜ao 6.2 apresentam-se os resultados do modelo de capacidade 3G com os dados das c´elulas disponibilizados. Ser˜ao testadas trˆes c´elulas e apresentados gr´aficos com dois e trˆes servi¸cos, fazendo variar os parˆametros de input para realizar a compara¸c˜ao entre os v´arios resultados. Para al´em disso, ser´a testado o algoritmo de headroom para estimar a potˆencia m´ınima necess´aria para que a c´elula consiga absorver todo o tr´afego, na busy hour. De forma a validar o modelo, usar-se-´a o pior caso das estat´ısticas da c´elula para verificar se as curvas conseguem descrever a capacidade da c´elula.

Na Sec¸c˜ao 6.3 apresentam-se os resultados ao modelo de capacidade 4G com dados referentes a 89 c´elulas, onde o diagn´ostico de problemas ´e realizados, tendo em conta as limita¸c˜oes de capaci- dade definidas e apresentadas. Relativamente ao c´alculo da capacidade m´axima da c´elula (taxa de transmiss˜ao), apresentam-se os resultados para as mais cr´ıticas.