The global energy consumption of mobile networks is rapidly increasing due to the exponential growth of mobile network traffic. The advent of next-generation cellular technologies such as fifth-generation (5G) and beyond promises higher network throughput and lower latency but also demands higher power consumption for its denser base station (BS) deployment and more energy-intensive processors. It is one of the key design pillars of next-generation mobile networks to improve network energy efficiency. In this thesis, we aim to address this problem by applying machine learning to analyze mobile traffic and control the operation of 5G BSs with the goal of reducing network energy consumption while dynamically meeting the network traffic demand. To obtain some preliminary insights into the temporal and spatial patterns of mobile network traffic, we first analyze a real-world network flow dataset collected by a Swedish mobile operator. We find that mobile traffic exhibits a strong periodicity in time and a distinct locality in space. In order to develop a simulation environment to train and evaluate the artificial intelligence (AI)-based BS control algorithm, we apply a clustering algorithm to categorize the network traffic with different latency requirements into five traffic scenarios, e.g., urban, rural, and office. Other necessary network models are also implemented, such as energy consumption, massive MIMO (multiple-input multiple-output) channel, user association, etc., in the simulation environment endeavoring to mimic the real-world 5G network. The main contribution of this thesis is the development of a multi-agent reinforcement learning algorithm to jointly control the operations of 5G BSs, such as multi-level sleeping (advanced sleep modes), antenna switching, and user association. The algorithm is designed to minimize the total energy consumption of a multi-cell 5G network while preserving its overall quality of service (QoS). The trained algorithm has shown its ability to save energy adaptively by switching on/off the sleep modes and antennas of BSs according to the varying traffic intensity. Moreover, the multi-agent BS control policy produced by the algorithm has also demonstrated collaborative behaviors such as user offloading that reduces inter-cell interference, which degrades the QoS. The evaluation results show that in comparison to the always-on configuration, the proposed algorithm can reduce the total energy consumption of a network by about 50%, double that of today’s symbol-level sleeping strategy (25%), while with negligible degradation of QoS. The algorithm is also shown to be robust to variations in the volume and the QoS requirement of the network traffic after being evaluated in different traffic scenarios.

Mobilnätens globala energiförbrukning ökar snabbt på grund av den exponentiella tillväxten av mobilnätstrafik. Tillkomsten av nästa generations cellulära teknologier som 5G och framåt lovar högre nätverksgenomströmning och lägre latens, men kräver också högre strömförbrukning för dess tätare basstation (BS)-utbyggnad och mer energikrävande processorer. Det är en av de viktigaste designpelarna i nästa generations mobilnät för att förbättra nätverkets energieffektivitet. I det här examensarbetet syftar vi till att ta itu med detta problem genom att tillämpa maskininlärning för att analysera mobiltrafik och styra driften av 5G BS:er med målet att minska nätverkets energiförbrukning samtidigt som efterfrågan på nätverkstrafik dynamiskt tillgodoses. För att få några preliminära insikter om de tidsmässiga och rumsliga mönstren för mobilnätstrafik, analyserar vi först en verklig nätverksflödesdatauppsättning som samlats in av en svensk mobiloperatör. Vi finner att mobiltrafik uppvisar en stark periodicitet i tid och en distinkt lokalitet i rymden. För att utveckla en simuleringsmiljö för att träna och utvärdera den AI-baserade BS-kontrollalgoritmen, tillämpar vi en klustringsalgoritm för att kategorisera nätverkstrafiken med olika latenskrav i fem trafikscenarier, t.ex. stad, landsbygd och kontor. Andra nödvändiga nätverksmodeller implementeras också, såsom energiförbrukning, massiv MIMO-kanal, användarassociation, etc. i simuleringsmiljön som strävar efter att efterlikna det verkliga 5G-nätverket. Det huvudsakliga bidraget från denna avhandling är utvecklingen av en multi-agent förstärkningsinlärningsalgoritm för att gemensamt styra driften av 5G BS:er som sömn på flera nivåer, antennväxling och användarförening. Algoritmen är utformad för att minimera den totala energiförbrukningen för ett flercells 5G-nätverk samtidigt som dess övergripande servicekvalitet (QoS) bevaras. Den tränade algoritmen har visat sin förmåga att adaptivt spara energi genom att slå på/stänga av vilolägen och antenner för BS:er enligt den varierande trafikintensiteten. Dessutom har multi-agent BS-kontrollpolicyn som produceras av algoritmen också visat samverkansbeteenden såsom användaravlastning som minskar inter-cellinterferens som försämrar QoS. Utvärderingsresultaten visar att den föreslagna algoritmen kan minska den totala energiförbrukningen för ett nätverk med cirka 50%, dubbelt så stor som dagens sovstrategi på symbolnivå (25%), jämfört med konfigurationen som alltid är på. försämring av QoS. Algoritmen har också visat sig vara robust mot variationer i volymen och QoS-kravet för nätverkstrafiken efter att ha utvärderats i olika trafikscenarier.