[論文レビュー] Artificial Intelligence as an Enabler for Cognitive Self-Organizing Future Networks

Siddiq Latif, Farrukh Pervez+2 more|arXiv (Cornell University)|Feb 9, 2017

Cognitive Radio Networks and Spectrum Sensing参考文献 21被引用数 13

ひとこと要約

本論文は、人工知能（AI）が認知自己組織的将来のネットワーク、特に5GおよびIoTの文脈において基盤的イニシエーターであると提唱している。AI技術—強化学習、遺伝的アルゴリズム、ニューラルネットワークなどを認知無線（CR）および自己組織的ネットワーク（SON）に統合することにより、動的スペクトラムアクセス、自律的ネットワーク設定、最適化、障害回復が可能となり、スペクトラム効率、QoS、ネットワークのレジリエンスが顕著に向上する。

ABSTRACT

The explosive increase in number of smart devices hosting sophisticated applications is rapidly affecting the landscape of information communication technology industry. Mobile subscriptions, expected to reach 8.9 billion by 2022, would drastically increase the demand of extra capacity with aggregate throughput anticipated to be enhanced by a factor of 1000. In an already crowded radio spectrum, it becomes increasingly difficult to meet ever growing application demands of wireless bandwidth. It has been shown that the allocated spectrum is seldom utilized by the primary users and hence contains spectrum holes that may be exploited by the unlicensed users for their communication. As we enter the Internet Of Things (IoT) era in which appliances of common use will become smart digital devices with rigid performance requirements (such as low latency, energy efficiency, etc.), current networks face the vexing problem of how to create sufficient capacity for such applications. The fifth generation of cellular networks (5G) envisioned to address these challenges are thus required to incorporate cognition and intelligence to resolve the aforementioned issues.

研究の動機と目的

• スマートデバイスおよびIoTアプリケーションの普及に伴い高まる無線帯域幅およびサービス品質（QoS）の需要に対応する。
• 現在の無線ネットワークにおける静的スペクトラム割り当ておよび非効率的な無線リソース管理の限界を克服する。
• AIを活用した認知無線（CR）および自己組織的ネットワーク（SON）により、自律的で知的なネットワーク運用を実現する。
• 5GネットワークにAI技術を統合し、自己設定、自己最適化、自己回復の能力を達成する。
• AIがスペクトラムの俊敏性、文脈認識、適応的学習を統合することで、スケーラブルで効率的かつレジリエントな将来の無線ネットワークを構築する方法を示す。

提案手法

• AIを用いてリアルタイムで無線パrameterを動的に適応させるために、認知サイクル（センシング、学習、推論、再設定）を採用する。
• 長期的報酬を最大化するため、モデルフリー最適化として強化学習（RL）を用いてスペクトラムアクセス、電力制御、ビームフォーミングを最適化する。
• 教師あり分類に基づき、チャネル選択および送信パrameterの適応にサポートベクターマシン（SVM）を活用する。
• 複雑な無線環境をモデル化し、低コストでリンク品質を推定するために、人工ニューラルネットワーク（ANN）を適用する。
• 不確実性に強いリソース割り当て、干渉管理、電力制御を実現するため、ファジィ論理と遺伝的アルゴリズム（GAs）を統合する。
• セルが個別にRLを実行し、最適化経験を中央機関が共有するハイブリッドアーキテクチャにより、集中型と分散型学習を統合し、協調的カバレッジとキャパシティのトレードオフを最適化する。

実験結果

リサーチクエスチョン

• RQ1 AI技術を用いることで、認知無線は主ユーザを妨害せずに動的かつリアルタイムにスペクトラムホールを検知・適応できるか？
• RQ2 どのようなAIベースの手法が、大規模な5Gおよび異種ネットワークにおけるネットワーク自己設定、自己最適化、自己回復を効果的に自動化できるか？
• RQ3 強化学習とゲーム理論は、認知無線ネットワークにおけるスペクトラム利用効率とQoSをどのように向上させるか？
• RQ4 ハイブリッドAIモデル（例：ファジィニューラルネットワークと協調的強化学習）は、ネットワークカバレッジとキャパシティのトレードオフをどのように改善できるか？
• RQ5 AIはどのようにトラフィックパターンを予測し、ネットワーク混雑を防ぐためにリソースを事前に割り当てられるか？

主な発見

• AIベースの認知サイクルにより、動的スペクトラムアクセスと再設定が可能となり、スペクトラム利用効率が顕著に向上し、干渉も低減される。
• 強化学習は、環境の完全なモデルが不要な状態で報酬と罰則から学習することで、スペクトラムアクセスおよび電力制御における最適な長期的パフォーマンスを達成する。
• 遺伝的アルゴリズムは、大規模かつ動的なネットワークにおけるセル計画、電力制御、ルーティングの最適化に効果的に機能し、頑健性と適応性を示す。
• ファジィニューラルネットワークと協調的強化学習を組み合わせたハイブリッド手法により、カバレッジとキャパシティの共同最適化が可能となり、エネルギー効率も向上する。
• サポートベクターマシンと隠れマルコフモデルは、高精度かつ低計算コストでスペクトラムホール検出およびハンドオーバー管理を向上させる。
• AI駆動の自己設定および自己回復により、異種5Gネットワークにおける運用の複雑さが軽減され、障害検出および回復時間の短縮が達成される。