Mewujudkan Mobilitas AI-Native di 6G: Dataset Dunia Nyata untuk Handover, Manajemen Beam, dan Timing Advance

Dataset jaringan yang telah di-deploy secara komersial yang merekam mobilitas pejalan kaki, sepeda, mobil, bus, dan kereta untuk prediksi handover, manajemen beam, dan timing advance berbasis AI/ML

Mannam Veera Narayana; Rohit Singh; Deepa M. R; Radha Krishna Ganti· 2026· DOI 10.48550/arXiv.2605.12453

Masalah inti

Waktu interupsi yang tinggi dan overhead laporan pengukuran pada mobilitas user equipment (UE), terutama pada kasus penggunaan 5G berkecepatan tinggi, masih menjadi tantangan kritis. Teknik AI/ML untuk manajemen beam dan prosedur mobilitas telah diusulkan untuk mengatasi masalah ini, tetapi sangat bergantung pada data simulasi yang tidak secara akurat mencerminkan perilaku deployment nyata atau pola trafik pengguna. Ada kebutuhan mendesak akan dataset yang realistis dalam berbagai kondisi. Karya ini menyajikan dataset yang dikumpulkan dari jaringan yang telah di-deploy secara komersial di berbagai mode mobilitas (pejalan kaki, sepeda, mobil, bus, dan kereta) dan pada berbagai kecepatan untuk menggambarkan mobilitas UE secara real-time. Dataset ini terutama berfokus pada skenario handover (HO), dengan tujuan mengurangi waktu interupsi HO dan menjaga throughput yang kontinu selama dan segera setelah eksekusi HO. Dataset ini mencakup pengukuran timing advance (TA) pada berbagai peristiwa signaling seperti RACH trigger, MAC CE, dan PDCCH grant, yang biasanya tidak ada dalam karya-karya yang sudah ada. Makalah ini memberikan deskripsi rinci tentang pembuatan dataset, pengaturan eksperim

Dataset ini mencakup berbagai skenario mobilitas, dari pejalan kaki hingga kereta, pada berbagai kecepatan, memberikan gambaran komprehensif tentang mobilitas UE di jaringan 5G komersial. Pengukuran utama mencakup peristiwa handover, parameter manajemen beam, dan nilai timing advance pada titik signaling kritis. Analisis eksploratif mengungkap pola dalam waktu interupsi handover dan throughput selama dan setelah eksekusi handover. Dataset ini mencakup pengukuran TA pada RACH trigger, MAC CE, dan PDCCH grant, yang sering tidak ada dalam dataset yang sudah ada. Hasil ini memungkinkan evaluasi model AI/ML untuk memprediksi TA dan mengoptimalkan prosedur handover. Realisme dataset, yang berasal dari deployment komersial, memastikan bahwa model yang dilatih padanya dapat menggeneralisasi lebih baik ke kondisi dunia nyata. Penyertaan berbagai mode mobilitas dan kecepatan memungkinkan pengujian yang kuat di berbagai skenario.

Waktu interupsi yang tinggi dan overhead laporan pengukuran pada mobilitas user equipment (UE), terutama pada kasus penggunaan 5G berkecepatan tinggi, masih menjadi tantangan kritis. Teknik AI/ML untuk manajemen beam dan prosedur mobilitas telah diusulkan untuk mengatasi masalah ini, tetapi sangat bergantung pada data simulasi yang tidak secara akurat mencerminkan perilaku deployment nyata atau pola trafik pengguna. Ada kebutuhan mendesak akan dataset yang realistis dalam berbagai kondisi. Karya ini menyajikan dataset yang dikumpulkan dari jaringan yang telah di-deploy secara komersial di berbagai mode mobilitas (pejalan kaki, sepeda, mobil, bus, dan kereta) dan pada berbagai kecepatan untuk menggambarkan mobilitas UE secara real-time. Dataset ini terutama berfokus pada skenario handover (HO), dengan tujuan mengurangi waktu interupsi HO dan menjaga throughput yang kontinu selama dan segera setelah eksekusi HO. Dataset ini mencakup pengukuran timing advance (TA) pada berbagai peristiwa signaling seperti RACH trigger, MAC CE, dan PDCCH grant, yang biasanya tidak ada dalam karya-karya yang sudah ada. Makalah ini memberikan deskripsi rinci tentang pembuatan dataset, pengaturan eksperimen, akuisisi data, dan ekstraksi, bersama dengan analisis eksploratif yang berfokus pada mobilitas, manajemen beam, dan TA. Beberapa kasus penggunaan dibahas, termasuk pelatihan dan evaluasi model AI/ML untuk prediksi TA.

Dataset ini dikumpulkan dari jaringan yang telah di-deploy secara komersial untuk merekam mobilitas UE di dunia nyata. Akuisisi data melibatkan berbagai mode mobilitas: pejalan kaki, sepeda, mobil, bus, dan kereta, dengan kecepatan yang bervariasi. Pengaturan eksperimen berfokus pada skenario handover, merekam peristiwa signaling dan pengukuran utama. Pengukuran timing advance (TA) ditangkap pada peristiwa RACH trigger, MAC CE, dan PDCCH grant. Proses ekstraksi data memastikan penyertaan parameter yang relevan dengan waktu interupsi handover, kontinuitas throughput, dan manajemen beam. Metodologi ini menekankan perilaku deployment yang realistis dan pola trafik pengguna, berbeda dengan dataset simulasi. Proses pembuatan dataset dijelaskan secara rinci, mencakup pengaturan eksperimen, akuisisi data, dan prosedur ekstraksi. Dataset yang dihasilkan mendukung pengembangan model AI/ML untuk prosedur mobilitas, manajemen beam, dan prediksi TA.

Dataset ini mengatasi kesenjangan data realistis untuk mobilitas AI-native di 6G. Dengan menyediakan pengukuran dunia nyata di berbagai mode mobilitas dan kecepatan, dataset ini memfasilitasi pengembangan teknik AI/ML yang mengurangi waktu interupsi handover dan overhead laporan pengukuran. Penyertaan pengukuran timing advance pada berbagai peristiwa signaling memungkinkan prediksi TA yang akurat, yang krusial untuk menjaga sinkronisasi uplink. Dataset ini mendukung berbagai kasus penggunaan, seperti pelatihan dan evaluasi model AI/ML untuk prediksi TA, manajemen beam, dan optimasi handover. Analisis eksploratif menyoroti pentingnya data deployment nyata dalam memahami inferensi model AI/ML. Pekerjaan selanjutnya dapat memanfaatkan dataset ini untuk merancang prosedur mobilitas yang lebih efisien untuk skenario berkecepatan tinggi. Fokus dataset pada skenario handover dan kontinuitas throughput sejalan dengan tujuan 6G untuk menyediakan konektivitas yang mulus. Ketersediaan data semacam ini mempercepat adopsi solusi mobilitas AI-native.

Praktisi dan peneliti ilmu komputer

Membuka konten member…