A feladat egy privát 5G hálózaton (pl. egy stockholmi, Ericsson környezetben üzemeltetett hálózaton) felvett mérési adathalmaz feldolgozásával és hasznosításával foglalkozik. Az adathalmaz statikus és mobilitási futamokat egyaránt tartalmaz (utóbbiak esetén trajektórián mozgó, például Husky robotra szerelt UE segítségével), a mérések során videós forgalom mellett iperf által generált háttérterhelés is futott, a QoS-beállítás pedig mérésenként eltérő 5QI-vel történt. Ez lehetőséget ad arra, hogy a hálózat és a forgalommenedzsment (QoS/QoE) szolgáltatásminőségre gyakorolt hatását különböző szempontokból vizsgáljuk.

A téma több irányban is továbbvihető, és a félév során ezek közül egy vagy több területre lehet fókuszálni, a hallgató érdeklődésétől függően. Néhány lehetséges irány:

• Adatfeldolgozás és -integráció: a rádiós és az alkalmazás/QoS logok összekapcsolása, az adatok tisztítása, előkészítése és feltáró elemzése, valamint a szolgáltatásminőséget leíró mutatók kialakítása.
• Modellezés és előrejelzés: AI/ML alapú modellek készítése, amelyek előre jelzik a szolgáltatásromlást, illetve feltárják, mely rádiós paraméterek és QoS-beállítások a legjobb prediktorok — így támogatva a szolgáltatásminőség megértését és a döntéshozatalt.
• Rendszerfejlesztés és prototipizálás: a kapott modellek beépítése egy működő prototípusba, például egy „early warning” jellegű, proaktív hálózatirányítási vagy döntéstámogató eszközbe, amely a szolgáltatásminőség várható romlását jelzi.
• Üzemeltetés és fenntarthatóság (MLOps): a modellek életciklusát támogató infrastruktúra kiépítése, például automatizált betanítás, monitorozás, verziókezelés és karbantartás, hogy a megoldás hosszabb távon is használható és megbízható maradjon.
  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). Ez a téma ezért nemcsak a szolgáltatásminőséget befolyásoló tényezők megértését és előrejelzését teszi lehetővé, hanem azt is, hogy a kapott eredmények egy gyakorlatban is használható, proaktív hálózatirányítást vagy döntéstámogatást segítő megoldás felé mutassanak.

A félév végeredménye a választott iránytól függően sokféle lehet: egy feldolgozott és integrált adathalmaz feltáró elemzéssel, egy prediktív modell a szolgáltatásromlás előrejelzésére, egy működő prototípus vagy döntéstámogató eszköz, egy a modellek karbantartását támogató MLOps-megoldás, vagy ezek valamilyen kombinációja.