[論文レビュー] A QoS Provisioning Recurrent Neural Network based Call Admission Control for beyond 3G Networks

H. S. Ramesh Babu, Gowrishankar Gowrishankar+1 more|arXiv (Cornell University)|Apr 20, 2010

Wireless Communication Networks Research参考文献 30被引用数 10

ひとこと要約

本稿では、3G以降のネットワークにおけるマルチクラストラフィックを知的に管理するため、再帰的径路基底関数ネットワークを用いたファジィニューラル呼制御（FNCAC）方式を提案する。ファジィ論理による意思決定とニューラルネットワークの学習を統合することにより、FNCACモデルは従来の手法よりも呼ブロッキング確率をより効果的に低減し、異種無線環境における優れたQoS提供を実現する。

ABSTRACT

The Call admission control (CAC) is one of the Radio Resource Management (RRM) techniques that plays influential role in ensuring the desired Quality of Service (QoS) to the users and applications in next generation networks. This paper proposes a fuzzy neural approach for making the call admission control decision in multi class traffic based Next Generation Wireless Networks (NGWN). The proposed Fuzzy Neural call admission control (FNCAC) scheme is an integrated CAC module that combines the linguistic control capabilities of the fuzzy logic controller and the learning capabilities of the neural networks. The model is based on recurrent radial basis function networks which have better learning and adaptability that can be used to develop intelligent system to handle the incoming traffic in an heterogeneous network environment. The simulation results are optimistic and indicates that the proposed FNCAC algorithm performs better than the other two methods and the call blocking probability is minimal when compared to other two methods.

研究の動機と目的

• 3G以降の無線ネットワークにおける異種でマルチクラストラフィック環境において、サービス品質（QoS）を維持する課題に対処すること。
• 変動するトラフィック負荷とユーザー要件に動的に適応するインテリジェントな呼制御（CAC）メカニズムを開発すること。
• ファジィ論理の言語的推論とニューラルネットワークの適応的学習を統合し、リソース割り当てにおける意思決定を向上させること。
• 次世代無線ネットワーク（NGWN）における多様なトラフィッククラスに対して、QoS保証を確保しながら呼ブロッキング確率を低減すること。

提案手法

• FNCAC方式は、動的トラフィック行動をモデル化し、リアルタイムでの適応を支援する再帰的径路基底関数（RBF）ネットワークを採用する。
• ファジィ論理は、帯域幅や遅延要件などのQoS提供のための言語的ルールを解釈するためにニューラルネットワークフレームワークに統合される。
• システムは、ファジィ推論とRBFネットワーク学習を組み合わせたハイブリッドアーキテクチャを採用し、入力トラフィックパラメータを呼の許可意思決定にマッピングする。
• 再帰的構造により、トラフィックパターンの時間的モデリングが可能となり、予測精度の向上とネットワーク状態の変化への対応が向上する。
• モデルは履歴トラフィックデータを用いて訓練され、意思決定のしきい値を最適化し、ブロッキング確率を最小限に抑える。
• CAC意思決定は、帯域幅、遅延、ジターログなどの集約QoSメトリクスに基づき、重要なトラフィックを優先する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドファジィ・ニューラルモデルは、3G以降ネットワークのマルチクラストラフィック環境におけるQoS提供をどのように改善するか？
• RQ2 再帰的RBFネットワークの使用は、CACメカニズムの適応性と学習性能にどのような影響を及ぼすか？
• RQ3 FNCAC方式は、従来のCAC手法と比較して、呼ブロッキング確率およびリソース利用効率の面でどのように異なるか？
• RQ4 ファジィ論理は、動的で異種のネットワーク環境において意思決定をどの程度向上できるか？
• RQ5 学習と言語的推論の統合により、CACの複雑さを低減しつつ高いQoSを維持できるか？

主な発見

• 提案されたFNCACアルゴリズムは、本研究で評価された2つのベンチマーク手法と比較して、より低い呼ブロッキング確率を達成した。
• 再帰的RBFネットワーク構造により、静的モデルと比較して、より速い収束性と変動するトラフィック負荷への優れた適応性が実現された。
• ファジィ論理の統合により、QoSしきい値とトラフィック優先順位に関する専門知識を組み込むことで、意思決定の質が向上した。
• シミュレーション結果から、FNCACモデルはQoS要件を満たしつつ、より高いネットワーク利用効率を維持していることが確認された。
• リアルタイムおよび非リアルタイムサービスを含む混合トラフィッククラスの処理において、優れた耐障害性と安定性を示した。
• FNCACアプローチは、ブロッキング性能および動的ネットワーク状態への適応性の両面で、従来のCAC方式を上回った。