[論文レビュー] Learning Based Uplink Interference Management in 4G LTE Cellular Systems

Supratim Deb, Pantelis Monogioudis|arXiv (Cornell University)|Sep 10, 2013

Advanced MIMO Systems Optimization被引用数 5

ひとこと要約

本稿では、4G LTEネットワークにおける上行リンク干渉管理のための機械学習ベースのシステムLeAPを提案する。UEの測定レポートを活用し、動的かつ最適化された電力制御を実現する。データドリブンな学習と2アルゴリズムフレームワーク（IoTC-SLおよびIoTC-CE）を採用することで、実運用ネットワーク環境において、20パーセンタイルユーザーのデータレートで最大4.9倍の向上、中央値レートで3.25倍の向上を達成した。

ABSTRACT

LTEs uplink (UL) efficiency critically depends on how the interference across different cells is controlled. The unique characteristics of LTEs modulation and UL resource assignment poses considerable challenges in achieving this goal because most LTE deployments have 1:1 frequency re-use, and the uplink interference can vary considerably across successive time slots. In this work, we propose LeAP, a measurement data driven machine learning paradigm for power control to manage up-link interference in LTE. The data driven approach has the inherent advantage that the solution adapts based on network traffic, propagation and network topology, that is increasingly heterogeneous with multiple cell-overlays. LeAP system design consists of the following components: (i) design of user equipment (UE) measurement statistics that are succinct, yet expressive enough to capture the network dynamics, and (ii) design of two learning based algorithms that use the reported measurements to set the power control parameters and optimize the network performance. LeAP is standards compliant and can be implemented in centralized SON (self organized networking) server resource (cloud). We perform extensive evaluations using radio network plans from real LTE network operational in a major metro area in United States. Our results show that, compared to existing approaches, LeAP provides a 4.9x gain in the 20th percentile of user data rate, and 3.25x gain in median data rate.

研究の動機と目的

• 1:1周波数再利用を採用する4G LTEネットワークにおける、予測不能で時間的・周波数的変動が激しい同頻帯干渉の課題に対処すること。
• 隣接セル間で独立してスケジューリングが行われる動的干渉パターンに対応できない従来の電力制御の限界を克服すること。
• リアルタイムのネットワーク状態（トラフィック、伝搬特性、ネットワークトポロジーなど）に適応可能な、標準準拠でスケーラブルなセルフオーガナイジングネットワーク（SON）ソリューションを設計すること。
• 実際の測定データからの学習を通じて、干渉を最小限に抑えつつデータレートを最大化することで、上行リンクスペクトル効率とユーザーの公平性を最適化すること。
• 米国主要メトロポリタン地域の運用ネットワーク計画を用いて、実運用環境における4G LTE展開で顕著な性能向上を実証すること。

提案手法

• 時間周波数ブロックにおける干渉レベルとチャネル状態を捉える、的を射ねた簡潔で表現力のあるUE測定統計のセットを設計する。
• 報告された測定データに基づいて電力制御パrameterを設定する2つの学習ベースアルゴリズム（IoTC-SL（確率的学習による干渉最適化）およびIoTC-CE（凸最適化による干渉最適化））を実装する。
• 電力制御問題を、SINR制約および電力制約の下で重み付き和レートを最大化することを目的とする干渉認識最適化タスクとして定式化する。
• 干渉測定値のヒストグラムによるビニングを用いて干渉分布をモデル化し、精度と計算負荷のバランスを最適化するためにビンサイズを調整する。
• 中央集約型SONサーバー（クラウドベース）にシステムを統合し、大規模かつ多様なLTEネットワークへのスケーラブルな展開を可能にする。
• 最適化におけるSINRに基づく性能指標の近似に、対数および指数関数的項を含むユーティリティ関数を用いたソフトコンピューティングアプローチを適用する。

実験結果

リサーチクエスチョン

• RQ1 1:1周波数再利用と隣接セル間での高動的なスケジューリングを伴う4G LTEネットワークにおいて、上行リンク干渉をどのように効果的に管理できるか？
• RQ2 リアルタイムLTE運用における動的干渉環境を的確に捉えるために、簡潔かつ表現力のある測定統計とは何か？
• RQ3 データドリブンな機械学習アプローチは、従来の静的電力制御方式に比べ、上行リンクスペクトル効率とユーザーの公平性の向上において優れていると期待できるか？
• RQ4 干渉ヒストグラムのビンサイズの選択が、学習ベース電力制御システムの性能とスケーラビリティにどのように影響するか？
• RQ5 干渉しきい値（IoT-cap）の設定が、最適化性能および学習アルゴリズムの収束性に与える影響は何か？

主な発見

• LeAPは、実運用LTE展開において、既存の電力制御方式と比較して20パーセンタイルユーザーのデータレートで4.9倍の向上、中央値レートで3.25倍の向上を達成した。
• 10個以上の主要干渉源を持つセルでは、中央値データレートが最大4倍向上し、LeAPが干渉が強く、都市部が密集した環境で特に効果的であることが示された。
• ビンサイズが2 dBを超えると性能が著しく低下し、6 dBのビンサイズでは顕著な損失が生じた。これは、2 dBが精度の観点で最適であることを示唆している。
• IoT-capを20 dBに設定すると最良のバランスが得られ、25 dBに引き上げると、ビニングによる近似誤差が拡大し、実際の干渉とモデル化された干渉との差が広がるため、性能向上が減少した。
• 評価されたサブネットワークにおいて、IoTC-SLアルゴリズムは中央値レートでIoTC-CEを36%上回ったが、IoTC-CEも全セルでベースラインFPC比90%の向上を達成した。
• LeAPの計算時間は6コアサーバー上で1イテレーションあたり平均12秒（5秒の変動あり）であり、分単位の周期的ネットワーク最適化に十分なスケーラビリティを示した。