[論文レビュー] Machine Learning Based Cooperative Relay Selection in Virtual MIMO

Kunal Sankhe, Chandan Pradhan+2 more|arXiv (Cornell University)|Jun 5, 2015

Cooperative Communication and Network Coding参考文献 16被引用数 12

ひとこと要約

本稿では、行動パターンに基づいて協力的であると予測可能なリレーユーザーを特定する、機械学習駆動の協力的リレーセレクション方式を、バーチャルMIMO（V-MIMO）ネットワークで提案する。ANNおよびSVMモデルを用いて、97.56%の精度と2.58%のMSEを達成し、バッテリー残量、時間、曜日、インcentive（インcentive）を考慮して、バーチャルアンテナアレイセル内での非アクティブなユーザーの協力可能性を予測することで、ノード発見時間を29%短縮した。

ABSTRACT

In cellular systems, virtual multiple-input multiple-output (V-MIMO) technology promises to achieve performance gains comparable to conventional MIMO. In this paper, we propose cooperative relay selection algorithm based on machine learning techniques. Willingness of user to cooperate in V-MIMO depends on his current battery power, time and day along with incentives offered by service provider. Every user has different criterion to participate in V-MIMO, but allows a specific behavior pattern. Therefore, it is required to predict willing users in the neighborhood of source user (SU), before selecting users as cooperative nodes. Only inactive users belonging to Virtual Antenna Array (VAA) cell of SU are assumed to cooperate. This reduces control overheads in cooperative node discovery. In this paper, we employ prediction algorithm using two machine learning techniques i.e. ANN and SVM to find out inactive willing users within VAA cell. The parameters such as MSE, accuracy, precision and recall are calculated to evaluate performance of ANN and SVM model. Prediction using ANN has MSE of 3% with average accuracy of 97% (variance 0.37), whereas SVM has MSE of 2.58% with average accuracy of 97.56% (variance 0.17). We also observe that proposed prediction method reduces the node discovery time by approximately 29%.

研究の動機と目的

• リレーセレクションの前に協力的であると予測可能なユーザーを特定することで、V-MIMOにおける制御オーバーヘッドを低減すること。
• バッテリー残量、時間、曜日、インcentive（インcentive）などの動的要因に基づいて、ユーザーの協力意思をモデル化すること。
• バーチャルアンテナアレイ（VAA）セル内での潜在的協力ノードを事前に特定することで、発見遅延を最小限に抑えること。
• 機械学習モデル（ANNおよびSVM）がユーザー協力行動を予測する性能を評価・比較すること。
• データ駆動の予測を用いて、効率的でスケーラブルなV-MIMOシステムにおける協力的リレーセレクションを実現すること。

提案手法

• システムは、ソースユーザーのバーチャルアンテナアレイ（VAA）セル内の非アクティブなユーザーの協力意思を、機械学習モデルを用いて予測する。
• 入力特徴量には、ユーザーのバッテリー残量、1日中の時間、曜日、サービスプロバイダーからのインcentive（インcentive）が含まれる。
• 2つのモデル—人工ニューラルネットワーク（ANN）およびサポートベクターマシン（SVM）—を訓練し、ユーザーが協力するかしないかを分類する。
• モデルの性能は、平均二乗誤差（MSE）、正確度、適合率、再現率などの指標を用いて評価される。
• 協力の可能性があるのは、同じVAAセル内にいるユーザーに限られるため、発見の複雑さと制御オーバーヘッドが低減される。
• リレーセレクションの前に行われる予測により、より高速で効率的なノード発見が可能になる。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、V-MIMOネットワークにおける非アクティブなユーザーの協力可能性を正確に予測できるか？
• RQ2 ANNおよびSVMモデルは、ユーザーの動的属性に基づいて協力意思を予測する際に、どのように比較されるか？
• RQ3 予測に基づくリレーセレクションは、V-MIMOシステムにおける制御オーバーヘッドと発見時間をどの程度低減できるか？
• RQ4 バッテリー残量、時間、インcentive（インcentive）などの要因が、V-MIMOにおけるユーザー協力行動にどのような影響を与えるか？
• RQ5 予測モデリングは、V-MIMOにおける協力的リレーセレクションのスケーラビリティと効率性を向上させることができるか？

主な発見

• SVMはANNを上回り、MSEが3%のANNと比較して2.58%と低い。
• SVMは平均97.56%の高い正確度（分散0.17）を達成したのに対し、ANNは97%の正確度（分散0.37）であった。
• 予測ベースの手法により、協力的ノードの発見時間が約29%短縮された。
• 両モデルとも高い適合率と再現率を示しており、協力的と予測されるユーザーの分類が信頼できることが示された。
• 機械学習の活用により、VAAセル内での潜在的協力リレーライトを効率的かつ低オーバーヘッドで特定可能となった。
• 結果から、バッテリー残量、時間、インcentive（インcentive）といった文脈的特徴を用いることで、ユーザーの協力行動は予測可能であると確認された。