[論文レビュー] Predicting Channel Quality Indicators for 5G Downlink Scheduling in a Deep Learning Approach

Hao Yin, X.P. Guo+3 more|arXiv (Cornell University)|Aug 3, 2020

Advanced MIMO Systems Optimization参考文献 6被引用数 12

ひとこと要約

本論文は、5G New Radio (NR) 下行スケジューリングにおけるチャネル品質指標（CQI）を予測するLSTMベースのディープラーニング手法を提案し、高速移動環境における陳腐化したCQIの問題を解決する。この手法はns-3シミュレーションフレームワーク内でのオンライン学習を採用しており、LSTMがフィードフォワードニューラルネットワーク（FNN）よりもCQI予測精度およびシステムスルーレートで優れていることを示している。特に70 m/sまでの速度で顕著な優位性を示す。

ABSTRACT

5G networks provide more bandwidth and more complex control to enhance user's experiences, while also requiring a more accurate estimation of the communication channels compared with previous mobile networks. In this paper, we propose a channel quality indicator (CQI) prediction method in a deep learning approach in that a Long Short-Term Memory (LSTM) algorithm. An online training module is introduced for the downlink scheduling in the 5G New Radio (NR) system, to reduce the negative impact of outdated CQI for communication degradation, especially in high-speed mobility scenarios. First, we analyze the impact of outdated CQI in the downlink scheduling of the 5G NR system. Then, we design a data generation and online training module to evaluate our prediction method in ns-3. The simulation results show that the proposed LSTM method outperforms the Feedforward Neural Networks (FNN) method on improving the system performance of the downlink transmission. Our study may provide insights into designing new deep learning algorithms to enhance the network performance of the 5G NR system.

研究の動機と目的

• 5G NR下行スケジューリングにおける陳腐化したCQIが引き起こす性能劣化を是正すること。特に高速移動環境下での影響を想定する。
• ディープラーニングベースのCQI予測手法を評価するための再現可能でオープンソースのシミュレーションフレームワークをns-3を用いて設計すること。
• チャネル品質データの時間的依存性を活用することで、CQI予測精度とシステムスルーレートを向上させること。
• さまざまな移動状態下でLSTMとFNNのCQI予測効果を評価すること。

提案手法

• ns-3シミュレータにオンライン学習モジュールを統合し、ディープラーニングモデルを用いたリアルタイムCQI予測を可能にする。
• LSTMモデルは、履歴的なCQIレポートを学習することで、時間的ダイナミクスを捉え、将来のCQI値を予測する。
• ns-3内に実装されたデータ生成パイプラインが、さまざまな移動速度およびシナリオ下でのユーザーからのリアルタイムCQIフィードバックを収集する。
• LSTMおよびFNNモデルの学習に、200サンプルの入力ウィンドウと40サンプルの予測予定期間を用いる。
• バッチサイズ20、LSTMユニット30、SELU活性化関数を用い、学習安定性を最適化する。
• 予測されたCQI値をns-3シミュレーションにフィードバックし、スルーレートを含むリアルタイムのシステム性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 陳腐化したCQIは、高速移動における5G NRの下行スケジューリング性能にどのように影響を与えるか？
• RQ2 高速移動環境下で、LSTMベースのCQI予測は、従来のFNNモデルと比較してスルーレートを向上させることができるか？
• RQ3 シミュレートされたns-3環境内でのオンライン学習は、CQI予測の精度と耐障害性をどの程度向上させるか？
• RQ4 単一ユーザーおよび複数ユーザーのシナリオにおいて、ユーザー速度の上昇に伴いLSTMとFNNの予測精度はどのように変化するか？

主な発見

• LSTMモデルは70 m/sでも50%以上のCQI予測精度を維持するが、FNNモデルは高速度で信頼できる予測を提供できない。
• 複数ユーザーのシナリオでは、LSTMの平均予測精度がFNNを常に上回り、ユーザー間の標準偏差も小さい。
• 単一ユーザーおよび複数ユーザーの両方のシナリオにおいて、LSTMによるCQI予測を用いることで、FNNや遅延CQIと比較してスルーレート性能が優れている。
• システムレベルのシミュレーションから、LSTMベースの予測は特に高速移動条件下で高い平均ユーザースルーレートをもたらすことが明らかになった。
• ns-3とのオンライン学習の統合により、ディープラーニングベースのCQI予測手法の再現可能で現実的な評価が可能になった。
• 提案手法は実運用への実装可能性を示しており、今後は5G NRテストベッドを用いて計算コストを評価する計画である。