[論文レビュー] Deep Learning-based Intelligent Dual Connectivity for Mobility Management in Dense Network

Chujie Wang, Zhifeng Zhao+2 more|arXiv (Cornell University)|May 30, 2018

Advanced MIMO Systems Optimization参考文献 15被引用数 7

ひとこと要約

本論文は、超密な5Gネットワークにおける移動管理のための深層学習ベースの知的二重接続メカニズムを提案する。LSTMを用いてユーザーの移動を予測し、送信基地局および対象基地局との二重接続を事前に確立する。このアプローチは、スループットを著しく向上させるとともに、ハンドオーバー中のビット誤り率（BER）を低減し、エネルギー効率を維持する。低〜中程度の密度状況では、最大85%のスループット向上と40%のBER低減を達成する。

ABSTRACT

Ultra-dense network deployment has been proposed as a key technique for achieving capacity goals in the fifth-generation (5G) mobile communication system. However, the deployment of smaller cells inevitably leads to more frequent handovers, thus making mobility management more challenging and reducing the capacity gains offered by the dense network deployment. In order to fully reap the gains for mobile users in such a network environment, we propose an intelligent dual connectivity mechanism for mobility management through deep learning-based mobility prediction. We first use LSTM (Long Short Term Memory) algorithm, one of deep learning algorithms, to learn every user equipment's (UE's) mobility pattern from its historical trajectories and predict its movement trends in the future. Based on the corresponding prediction results, the network will judge whether a handover is required for the UE. For the handover case, a dual connection will be established for the related UE. Thus, the UE can get the radio signal from two base stations in the handover process. Simulation results verify that the proposed intelligent dual connectivity mechanism can significantly improve the quality of service of mobile users in the handover process while guaranteeing the network energy efficiency.

研究の動機と目的

• 超密な5Gネットワークにおける頻繁なハンドオーバーとそれに伴うスループット低下の課題に対処すること。
• シグナル伝送遅延の低減と接続途切れの軽減により、ハンドオーバー中のユーザーのサービス品質（QoS）を向上させること。
• 移動中のスループットと信頼性を向上させつつ、ネットワークのエネルギー効率を維持すること。
• 歴史的ユーザー軌道データを活用して正確な移動予測を実現し、事前ネットワーク準備を可能にすること。

提案手法

• 歴史的軌道データからユーザー移動パターンを学習・予測するために、長短期記憶（LSTM）ネットワークを用いる。
• 移動予測の結果を活用して、ユーザー設備（UE）と2つの基地局（送信および対象）の間で事前二重接続を確立する。
• 実際のハンドオーバーの前に二重接続を開始し、移動中における両基地局からの継続的な信号受信を保証する。
• シミュレートされた超密環境において、平均スループット、ビット誤り率（BER）、エネルギー効率（EE）などの指標を用いて性能を評価する。
• 提案手法の実際の二重接続を、単一接続と理想の二重接続（完璧な予測）と比較し、利点を評価する。
• セル密度とユーザー速度（v = 1 m/s）を主なシミュレーションパラメータとして用い、スケーラビリティと耐障害性を評価する。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースの移動予測は、超密な5Gネットワークにおけるハンドオーバーイベントを効果的に予測できるか？
• RQ2 事前二重接続は、単一接続と比較して、ハンドオーバー中のスループット向上とBER低減にどの程度寄与するか？
• RQ3 提案手法は、さまざまなセル密度においてネットワークのエネルギー効率にどのように影響を与えるか？
• RQ4 予測精度は、特に高速移動ユーザーにおいて、どのようなユーザー移動速度で変化するか？

主な発見

• 提案された知的二重接続は、低〜中程度のセル密度状況下で、ハンドオーバー時における平均スループットが単一接続と比較して最大85%向上する。
• ビット誤り率（BER）は、単一接続と比較して最大40%低減され、特にセル密度が30/km²未満の状況で顕著に顕著である。
• エネルギー効率はわずかに向上し、特にセル密度が10/km²から15/km²の範囲で最も顕著な向上が観察された。
• LSTMは低速および中速ユーザー（v = 1 m/s）に対して95%を超える予測精度を達成するが、高速ユーザーでは軌道の変化（突然の変化）のため、精度が著しく低下する。
• 実際の二重接続性能は、理想の二重接続ベンチマークに非常に近い結果を示しており、実用的実現可能性が極めて高いことが示された。
• このメカニズムは、ネットワークのエネルギー効率を維持しながら、顕著なQoS向上を実現しており、密度の高い5G展開における実用的妥当性を裏付けている。