State of the Art of Machine Learning-Driven Self-Organizing Networks for 5G Coverage and Capacity Optimization

Abstract

As 5G networks continue to expand, delivering fast and reliable connectivity through ultra-dense deployments while maintaining optimal coverage and capacity has become a critical challenge. Traditional manual network management struggles to keep up with the complexity and scale of modern 5G infrastructure. Faced with these challenges, Self-Organizing Networks (SON) powered by artificial intelligence are called upon as a promising solution. The aim of this work is to design and implement a Machine Learning-driven SON framework for 5G coverage and capacity optimization, leveraging Deep Reinforcement Learning (DRL), Deep Neural Networks (DNNs), and active reward learning: in order to autonomously address root causes of poor network performance such as coverage holes, signal overshooting, and undershooting, while minimizing human intervention and operational costs.***

Avec l’expansion continue des réseaux 5G, assurer une connectivité rapide et fiable à travers des déploiements ultra-denses tout en maintenant une couverture et une capacité optimales est devenu un défi majeur. La gestion manuelle traditionnelle des réseaux peine à faire face à la complexité et à l’échelle croissante de l’infrastructure 5G moderne. Face à ces défis, les réseaux auto-organisés (SON) alimentés par l’intelligence artificielle s’imposent comme une solution prometteuse. L’objectif de ce travail est de concevoir et d’implémenter un framework SON piloté par l’apprentissage automatique pour l’optimisation de la couverture et de la capacité 5G, en exploitant l’apprentissage par renforcement profond (DRL), les réseaux de neurones profonds (DNNs) et l’apprentissage par récompense active : afin de traiter de manière autonome les causes profondes des mauvaises performances réseau, tout en minimisant l’intervention humaine et les coûts opérationnels.