5G Dataset with Channel and Context Metrics

本数据集由爱尔兰主要移动运营商收集，包含两种移动模式（静态和车载）和两种应用模式（视频流和文件下载）。数据集由客户端蜂窝关键性能指标(KPIs)组成，包括与信道相关的指标、与上下文相关的指标、与小区相关的指标和吞吐量信息。这些指标来自一个知名的非root Android网络监控应用G-NetTrack Pro。据我们所知，这是第一个公开可用的包含5G网络吞吐量、信道和上下文信息的数据集。This dataset was collected by a major mobile operator in Ireland and includes two types of mobility patterns (static and vehicular) and two types of application patterns (video streaming and file downloading). The dataset consists of client-side cellular key performance indicators (KPIs), including channel-related metrics, context-related metrics, cell-related metrics, and throughput information. These metrics are sourced from a well-known non-root Android network monitoring application, G-NetTrack Pro. To the best of our knowledge, this is the first publicly available dataset that includes 5G network throughput, channel, and context information.

原始信息汇总

数据集概述

数据集名称

Beyond Throughput, The Next Generation: a 5G Dataset with Channel and Context Metrics

数据来源

该数据集由一家爱尔兰主要移动运营商收集。

数据生成方式

• 两种移动模式：静态和车载
• 两种应用模式：视频流媒体和文件下载

数据内容

• 客户端蜂窝关键性能指标（KPIs）
  • 通道相关指标
  • 上下文相关指标
  • 小区相关指标
  • 吞吐量信息

数据收集工具

G-NetTrack Pro，一款知名的非根Android网络监控应用。

数据集特点

• 首个公开的包含5G网络吞吐量、通道和上下文信息的数据集。

附加资源

提供了一个5G大规模多小区ns-3模拟框架，用于研究5G多小区无线场景中的动态推理和用户适应性。

引用信息

若在出版物中提及或使用此数据集或框架，请引用以下论文： D. Raca, D. Leahy, C.J. Sreenan and J.J. Quinlan. Beyond Throughput, The Next Generation: A 5G Dataset with Channel and Context Metrics. ACM Multimedia Systems Conference (MMSys), Istanbul, Turkey. June 8-11, 2020

搜集汇总

数据集介绍

构建方式

该5G数据集通过从爱尔兰主要移动运营商处收集的实时追踪数据构建而成，涵盖了两种移动模式（静态和车载）以及两种应用模式（视频流和文件下载）。数据集包含了客户端的蜂窝关键性能指标（KPIs），这些指标包括信道相关指标、上下文相关指标、小区相关指标以及吞吐量信息。这些数据是通过一款知名的非根植Android网络监控应用G-NetTrack Pro生成的。此外，为了补充实时生产网络数据，研究团队还提供了一个基于ns-3仿真器的5G大规模多小区仿真框架，该框架允许研究人员生成自己的合成数据集，以进一步探索5G多小区无线场景中的动态推理。

特点

该数据集的显著特点在于其全面性，不仅包含了传统的吞吐量信息，还首次公开了5G网络中的信道和上下文信息。这种多维度的数据结构使得研究者能够更深入地分析5G网络的性能和行为。此外，通过结合实际网络数据和仿真框架，该数据集为研究5G网络中的动态适应性提供了独特的视角，特别是在多小区无线场景中的用户交互和基站调度原则方面。

使用方法

该数据集适用于多种研究场景，包括但不限于5G网络性能分析、信道建模、上下文感知网络优化以及多小区无线网络的仿真研究。研究者可以直接使用提供的实际网络数据进行分析，或利用ns-3仿真框架生成和分析合成数据。在使用过程中，建议参考并引用相关文献，以确保研究的透明性和学术诚信。

背景与挑战

背景概述

随着第五代移动通信技术（5G）的快速发展，研究人员对5G网络的性能和行为理解提出了更高的要求。为此，爱尔兰主要移动运营商与研究团队合作，于2020年推出了一个包含信道和上下文指标的5G数据集。该数据集通过两种移动模式（静态和车载）以及两种应用模式（视频流和文件下载）生成，涵盖了客户端的信道相关指标、上下文相关指标、小区相关指标以及吞吐量信息。这些数据来源于一款知名的非Root Android网络监控应用G-NetTrack Pro，是首个公开的包含5G网络吞吐量、信道和上下文信息的完整数据集。该数据集的发布不仅为5G网络性能分析提供了宝贵的资源，还为相关领域的研究奠定了基础。

当前挑战

该数据集在构建过程中面临了多重挑战。首先，收集5G网络的真实数据需要克服信道复杂性和动态变化的难题，尤其是在不同移动模式和应用场景下。其次，数据集的多样性和全面性要求确保了信道、上下文和小区相关指标的准确性和一致性，这对数据采集和处理技术提出了高要求。此外，为了进一步支持研究，数据集还提供了基于ns-3模拟器的5G大规模多小区仿真框架，这为研究人员在复杂无线环境下进行动态推理和自适应客户端行为分析提供了可能，但也增加了仿真与实际数据匹配的难度。

常用场景

经典使用场景

在5G网络研究领域，该数据集通过提供包含信道、上下文和吞吐量等多维度关键性能指标（KPIs）的详细记录，成为分析和优化5G网络性能的经典工具。研究者可以利用此数据集深入探讨静态和车载两种移动模式下的视频流和文件下载应用场景，从而评估不同网络条件下的性能表现，为5G网络的优化提供理论依据和实证数据。

解决学术问题

该数据集有效解决了5G网络研究中关于信道和上下文信息缺乏公开可用数据的学术难题。通过提供详细的信道相关指标、上下文信息以及吞吐量数据，研究者能够更精确地分析5G网络的动态行为和性能瓶颈，推动了对5G网络自适应客户端动态推理机制的理解，为未来的网络优化和调度策略研究奠定了基础。

衍生相关工作

基于该数据集，研究者已开展了一系列关于5G网络性能优化的经典工作。例如，利用数据集中的多小区仿真框架，研究者们深入探讨了多用户共享同一基站资源时的竞争机制，提出了多种调度算法以提高网络效率。此外，该数据集还激发了对毫米波5G网络动态特性的进一步研究，推动了新一代无线通信技术的理论与实践发展。