[論文レビュー] Multi-Connectivity in 5G terrestrial-Satellite Networks: the 5G-ALLSTAR Solution

Federico Lisi, G. Losquadro+3 more|arXiv (Cornell University)|Mar 11, 2020

Satellite Communication Systems参考文献 22被引用数 4

ひとこと要約

本稿では、統合型5G地上・衛星ネットワークにおけるマルチコネクティビティを実現する5G-ALLSTARソリューションを提案する。このソリューションは、スプリットgNBアーキテクチャ（gNB-CUとgNB-DU）内にAIベースの強化学習フレームワークを活用し、動的かつ最適化されたトラフィック分割とリソース割り当てを実現する。リアルタイムのネットワーク状態とQoS要件に基づき、複数のアクセスポイントを統合制御することで、信頼性、スループット、遅延の向上を実現する。

ABSTRACT

The 5G-ALLSTAR project is aimed at integrating Terrestrial and Satellite Networks for satisfying the highly challenging and demanding requirements of the 5G use cases. The integration of the two networks is a key feature to assure the service continuity in challenging communication situations (e.g., emergency cases, marine, railway, etc.) by avoiding service interruptions. The 5G-ALLSTAR project proposes to develop Multi-Connectivity (MC) solutions in order to guarantee network reliability and improve the throughput and latency for each connection between User Equipment (UE) and network. In the 5G-ALLSTAR vision, we divide the gNB in two entities: 1) gNB-CU (Centralized Unit) and 2) gNB-DU (Distributed Unit) The gNB-CU integrates an innovative Traffic Flow Control algorithm able to optimize the network resources by coordinating the controlled gNB-DUs resources, while implementing MC solutions. The MC permits to connect each UE with simultaneous multiple access points (even different radio access technologies). This solution leads to have independent gNB-DU/s that contain the RLC, MAC and PHY layers. The 5G-ALLSTAR MC algorithms offer advanced functionalities to RRC layer (in the gNB-CU) that is, in turn, able to set up the SDAP, the PDCP and the lower layers in gNB-DU. In this regard, the AI-based MC algorithms, implemented in gNB-CU, by considering the network performances in the UE surrounding environment as well as the UE QoS requirements, will dynamically select the most promising access points able to guarantee the fulfilment of the requirements also enabling the optimal traffic splitting to cope with the connection reliability. In this paper, we present also an innovative AI-based framework, included within the Traffic Flow Control, able to address the MC objectives, by implementing a Reinforcement Learning algorithm in charge of solving the network control problem.

研究の動機と目的

• 緊急時、海上、鉄道環境など深刻な状況下でもサービス継続性を確保する5Gネットワークの課題に対処すること。
• 従来の単一リンク接続の制限を克服し、異なる無線アクセス技術への同時マルチアクセスを可能にすること。
• 複数のgNB-DU間での知的なリソース調整を通じて、ネットワークの信頼性、スループット、エンドツーエンドの遅延を向上させること。
• RRCおよびトラフィック制御レイヤーに人工知能を統合し、変化するネットワーク状態とユーザーのQoS要件に動的に適応すること。
• 地上および衛星リンク間でシームレスなハンドオーバーと負荷分散を実現する、画期的なAIベースのトラフィックフロー制御メカニズムを提供すること。

提案手法

• gNBを2つの論理的エンティティに分解する：gNB-CU（集中型ユニット）は高層層制御を、gNB-DU（分散型ユニット）はベースバンド処理および物理層機能を担当する。
• gNB-CUにAIベースのトラフィックフロー制御アルゴリズムを実装し、強化学習を用いて動的ネットワーク制御問題を解決する。
• 強化学習エージェントの入力として、リアルタイムのネットワーク性能データとUEのQoS要件を活用し、最適なアクセスポイント選択を最適化する。
• RLC、MAC、PHYレイヤー機能を独立したgNB-DUsに分散配置することで、マルチコネクティビティと柔軟なトラフィック分割を実現する。
• gNB-CUのRRCレイヤーを介して、複数のgNB-DUs間でSDAP、PDCPおよび低層構成を調整し、共同送信および冗長性処理を可能にする。
• チャネル品質、遅延、信頼性指標に基づき、動的に複数のアクセスポイントにトラフィックを分割することで、性能を最大化する。

実験結果

リサーチクエスチョン

• RQ1 統合型5G地上・衛星ネットワークにおいて、困難な環境下でもサービス継続性を確保できるように、マルチコネクティビティを効果的に実装する方法は何か？
• RQ2 変化するネットワーク状態下で、AIベースの意思決定がマルチアクセス選択とトラフィック分割を最適化する役割を果たすメカニズムは何か？
• RQ3 スプリットgNBアーキテクチャ（gNB-CU/gNB-DU）は、QoS向上を目的とした複数アクセスポイントの動的かつリアルタイムな調整をどのように支援できるか？
• RQ4 マルチコネクティビティシナリオにおいて、AI駆動のトラフィックフロー制御によって達成可能な性能向上は何か？
• RQ5 gNB-CUに統合された強化学習フレームワークは、変化するUE要件および環境条件にどのように適応し、最適な接続状態を維持するか？

主な発見

• 提案された5G-ALLSTARソリューションは、地上および衛星リンク間で同時にマルチアクセス接続を実現し、高移動性または遠隔環境下でのネットワークレジリエンスを顕著に向上させる。
• gNB-CUに統合されたAIベースの強化学習フレームワークは、リアルタイムのネットワーク状態とQoS要件に基づき、最適なアクセスポイントを動的に選択することで、接続の信頼性を向上させる。
• 複数のgNB-DUsにわたるトラフィック分割により、複数の無線アクセス技術のダイバーシティ利点を活用し、スペクトル効率の向上と遅延の低減が達成される。
• スプリットgNBアーキテクチャは、gNB-CUに集中型制御、gNB-DUsに分散処理を配置することで、スケーラブルかつ柔軟なマルチコネクティビティ機能の展開を可能にする。
• 海上および鉄道通信のような困難な環境下でも、スループットの向上と障害発生確率の低減が、本ソリューションによって実証された。
• RRCおよびトラフィック制御レイヤーへのAIの統合により、リソース割り当ておよび接続管理の適応的かつリアルタイムの最適化が可能になる。