[論文レビュー] Data Driven Optimization of Inter-Frequency Mobility Parameters for Emerging Multi-band Networks

Muhammad Umar Bin Farooq, Marvin Manalastas+5 more|arXiv (Cornell University)|Aug 18, 2020

Millimeter-Wave Propagation and Modeling参考文献 12被引用数 16

ひとこと要約

本稿は、XGBoostを用いたKPI予測と遺伝的アルゴリズム（GA）を用いた同時最適化により、5Gおよびそれ以降のネットワークにおける周波数間ハンドオーバーパラメータ（A5th1、A5th2、TTT）のデータ駆動型最適化フレームワークを提案する。ブートストラップ法に比べ48倍の高速な収束を達成し、最適性の損失は最小限である。また、RSRPとハンドオーバー成功率（HOSR）の最適パラメータ値は重複せず、A5th2が最も高い感度影響を示すことが明らかになった。

ABSTRACT

Densification and multi-band operation in 5G and beyond pose an unprecedented challenge for mobility management, particularly for inter-frequency handovers. The challenge is aggravated by the fact that the impact of key inter-frequency mobility parameters, namely A5 time to trigger (TTT), A5 threshold1 and A5 threshold2 on the system's performance is not fully understood. These parameters are fixed to a gold standard value or adjusted through hit and trial. This paper presents a first study to analyze and optimize A5 parameters for jointly maximizing two key performance indicators (KPIs): Reference signal received power (RSRP) and handover success rate (HOSR). As analytical modeling cannot capture the system-level complexity, a data driven approach is used. By developing XGBoost based model, that outperforms other models in terms of accuracy, we first analyze the concurrent impact of the three parameters on the two KPIs. The results reveal three key insights: 1) there exist optimal parameter values for each KPI; 2) these optimal values do not necessarily belong to the current gold standard; 3) the optimal parameter values for the two KPIs do not overlap. We then leverage the Sobol variance-based sensitivity analysis to draw some insights which can be used to avoid the parametric conflict while jointly maximizing both KPIs. We formulate the joint RSRP and HOSR optimization problem, show that it is non-convex and solve it using the genetic algorithm (GA). Comparison with the brute force-based results show that the proposed data driven GA-aided solution is 48x faster with negligible loss in optimality.

研究の動機と目的

• 密度が高く多バンドな5Gネットワークにおける周波数間ハンドオーバーパラメータの体系的最適化の欠如に対処すること。
• 複雑なシステムレベルのダイナミクス下で、リファレンス信号受信電力（RSRP）とハンドオーバー成功率（HOSR）という2つの主要KPIを同時に最大化すること。
• 解析的モデリングや手動チューニングの限界を克服し、合成データと機械学習を活用すること。
• 感度分析とヒューリスティック最適化により、RSRPとHOSRの最適化におけるパrametricな矛盾を解消すること。
• 計算効率に優れながら高い精度を維持する、スケーラブルなデータ駆動型ソリューションを構築すること。

提案手法

• 3GPP準拠のシミュレータを用いて合成ネットワークデータを生成し、現実世界のデータの制限を回避する。
• XGBoostベースの回帰モデルを訓練し、RSRPとHOSRの予測を低RMSE（それぞれ0.074 dBmおよび2.5%）で行い、他の機械学習モデルを上回った。
• Sobolの分散に基づく感度分析により、A5th1、A5th2、TTTが両KPIに与える影響を定量化した。
• RSRPとHOSRを組み合わせた重み付き目的関数を用いた非凸な多目的最適化問題を定式化した。
• 非凸最適化問題を解くために遺伝的アルゴリズム（GA）を用い、高速な収束を達成した。
• GAベースの解の速度と近似最適性を検証するため、ブートストラップ法と比較した。

実験結果

リサーチクエスチョン

• RQ1 周波数間ハンドオーバーにおいて、RSRPとHOSRを同時に最大化する最適なA5th1、A5th2、TTTの設定は何か？
• RQ2 A5th1、A5th2、TTTの変動がRSRPとHOSRに与える影響は何か？ また、どのパラメータが最も高い感度影響を持つか？
• RQ3 合成データと機械学習を用いたデータ駆動型アプローチは、複雑で動的なネットワークにおけるCOP-KPI関係を正確にモデル化できるか？
• RQ4 TTTのようなパラメータを特定的にチューニングすることで、RSRPとHOSRの最適化におけるパrametricな矛盾を回避できるか？
• RQ5 GAベースの最適化は、速度と最適性の観点でブートストラップ法に比べてどのように性能を発揮するか？

主な発見

• XGBoostは、RSRP（RMSE: 0.074 dBm）とHOSR（RMSE: 2.5%）の両方において、他の機械学習モデルを上回る高い精度を達成した。
• RSRPとHOSRの最適パラメータ値は重複せず、両者の間には根本的なトレードオフが存在することが示された。
• A5th2はRSRPとHOSRの両方に対して最も高い感度影響を示し、次いでA5th1、TTTはHOSRに対しては最小限の影響、RSRPに対しては中程度の影響を示した。
• GAベースの最適化により、ブートストラップ法に比べ48倍の高速な収束が達成され、RSRPとHOSRそれぞれで0.13 dBmおよび1.73%の性能劣化にとどまった。
• ブートストラップ法で得られた最適パラメータセットは[128ms, -104 dBm, -110 dBm]であったが、GAは[128ms, -103 dBm, -109 dBm]を同定し、近似最適性を確認した。
• 提案されたフレームワークにより、A5パラメータの自己最適化が可能となり、現在のゴールドスタンダードをはるかに上回るKPIの向上が実現された。