Deep learning software-based holdover for PTP IEEE 1588 synchronization in 5G networks

Este trabalho propõe a avaliação de mecanismos baseados em algoritmos de software para manter a sincronização de um relógio em tempo real em operação de holdover, quando a entrada de referência de sincronização não está disponível. Três algoritmos, ARIMA, LSTM e redes de Transformer, foram implementados e treinados usando dados de carimbo de tempo e temperatura adquiridos enquanto o relógio escravo está sincronizado com um relógio mestre. Quando o relógio escravo perde sua referência, os modelos baseados em algoritmos assumem o controle e o mantém sincronizado. O método proposto foi avaliado em um teste de relógios de protocolo de tempo de precisão IEEE 1588 PTP baseados em uma bancada de testes baseada em FPGAs, onde timestamps precisos em nanossegundos foram coletados para análise offline. Os modelos foram avaliados usando dois tipos de relógios, um econômico, XO, e um robusto, OCXO, em cenários de temperatura constante e variável. Os resultados mostram que todos os algoritmos podem manter a precisão de sincronização do relógio dentro de limites dos requisitos de sincronização para comunicação TDD por intervalos de 1000 segundos em todos os cenários de temperatura e oscilador, sendo que o mecanismo de holdover baseado em redes Transformer superou a abordagem estatística e a rede LSTM. Esta abordagem de software de baixo custo é viável para aumentar a precisão do relógio durante a operação de holdover e pode ser generalizada para outros contextos de holdover, como em um cenário GNSS