[論文レビュー] Machine Intelligence Techniques for Next-Generation Context-Aware Wireless Networks

Tadilo Endeshaw Bogale, Xianbin Wang+1 more|arXiv (Cornell University)|Jan 12, 2018

IoT and Edge/Fog Computing参考文献 45被引用数 42

ひとこと要約

本論文は、AI、ML、データ分析、NLP が 5G とそれ以降の時代の fog/edge コンピューティングを用いたデータ取得、知識発見、計画、運用、管理をどのように強化できるかを概説し、CIR予測と文脈認識データ伝送のケーススタディを提供する。

ABSTRACT

The next generation wireless networks (i.e. 5G and beyond), which would be extremely dynamic and complex due to the ultra-dense deployment of heterogeneous networks (HetNets), poses many critical challenges for network planning, operation, management and troubleshooting. At the same time, generation and consumption of wireless data are becoming increasingly distributed with ongoing paradigm shift from people-centric to machine-oriented communications, making the operation of future wireless networks even more complex. In mitigating the complexity of future network operation, new approaches of intelligently utilizing distributed computational resources with improved context-awareness becomes extremely important. In this regard, the emerging fog (edge) computing architecture aiming to distribute computing, storage, control, communication, and networking functions closer to end users, have a great potential for enabling efficient operation of future wireless networks. These promising architectures make the adoption of artificial intelligence (AI) principles which incorporate learning, reasoning and decision-making mechanism, as natural choices for designing a tightly integrated network. Towards this end, this article provides a comprehensive survey on the utilization of AI integrating machine learning, data analytics and natural language processing (NLP) techniques for enhancing the efficiency of wireless network operation. In particular, we provide comprehensive discussion on the utilization of these techniques for efficient data acquisition, knowledge discovery, network planning, operation and management of the next generation wireless networks. A brief case study utilizing the AI techniques for this network has also been provided.

研究の動機と目的

• 超高密度 HetNets および 5G/Beyond ネットワークにおける知能的で文脈認識型の管理の必要性を喚起する。
• AI対応無線システムのデータ取得と知識発見手法を総説する。
• AI、ML、データ分析、NLP を活用したネットワーク計画、運用、管理について議論する。
• 低遅延の分散知能を実現するアーキテクチャとしてエッジ/フォグコンピューティングを強調する。
• CIR予測と文脈認識データ伝送におけるAI応用を示す簡潔なケーススタディを提供する。

提案手法

• 次世代ネットワークにおけるデータ取得、知識発見、ネットワーク計画、運用に関するAI主導のアプローチをレビューし統合する。
• 文脈認識のための意味論的およびオントロジーに基づく知識表現を議論する。
• OFDM設定におけるMLと分析的CIR予測手法を比較するケーススタディを提示する。
• QoSを満たしつつトラフィックを削減するNLPベースの文脈認識データ伝送を紹介する。
• AI対応の無線ネットワーク問題と手法の分類表（タキソノミー）を提案する。

実験結果

リサーチクエスチョン

• RQ1 文脈認識式無線ネットワークにおけるデータ取得と知識発見に適用可能なAI/ML/NLP手法は何か？
• RQ2 エッジおよびフォグコンピューティングは、5G 以降のネットワークの知能的計画とリアルタイム運用をどのように支援できるか？
• RQ3 ネットワークトラフィックを最適化するための文脈認識データ伝送と意味的要約の有効な手法は何か？
• RQ4 次世代ネットワークにおいて、MLベースのCIR予測手法は従来の分析的手法とどのように比較されるか？

主な発見

• AIおよびNLP対応のアプローチは、5G以降のデータ取得、知識発見、計画、運用を支援できる。
• フォグ/エッジコンピューティングはデータソースに近い分散知能を可能にし、遅延とデータ伝送負荷を削減する。
• 意味論的オントロジーと文脈理解は知識ベースを改善し、文脈認識の符号化/復号化およびデータ圧縮を可能にする。
• ケーススタディでは、MLベースのCIR予測が将来のブロックにおいて特定のOFDMシナリオでRLSを上回ることが示されている。
• NLPとクラスタリングを用いた文脈認識データ伝送はQoSを維持しつつネットワークトラフィックを削減できる。