A feladat egy stockholmi, Ericsson környezetben üzemeltetett privát 5G hálózaton felvett mérési adathalmaz feldolgozása, amely statikus és mobilitási (trajektórián mozgó, Husky robotra szerelt UE) futamokat tartalmaz. A mérések során videós forgalom futott, emellett háttérterhelést iperf generált; a QoS beállítás mérésenként eltérő 5QI-vel történt, így vizsgálható a hálózat és a forgalommenedzsment (QoS/QoE) hatása a szolgáltatásminőségre. A cél a rádiós és alkalmazás/QoS logok összekapcsolása, majd AI/ML alapú modellek készítése, amelyek (i) előre jelzik a szolgáltatásromlást, és/vagy (ii) feltárják, mely rádiós paraméterek és QoS-beállítások a legjobb prediktorok.

Kontextus és motiváció
Privát 5G hálózatoknál a szolgáltatásminőség nem csak a rádiós környezettől (takarás, interferencia) és a mobilitástól függ, hanem a hálózati erőforrás- és forgalommenedzsment döntésektől is (ütemezés, prioritások, QoS osztályok). Ennek megfelelően a cél egy „early warning” jellegű, AI-alapú becslő/proaktív hálózatirányítási prototípus elkészítése, amely képes előre jelezni a videós szolgáltatás várható romlását, és a döntéstámogatáshoz megmutatja a legfontosabb befolyásoló tényezőket.