[論文レビュー] Realtime Mobile Bandwidth and Handoff Predictions in 4G/5G Networks

Lifan Mei, Jinrui Gou+3 more|arXiv (Cornell University)|Apr 27, 2021

Advanced MIMO Systems Optimization被引用数 5

ひとこと要約

本論文は、ニューヨーク市MTA公共交通機関の長期トレースを用いて、固定ルート移動シナリオにおけるモバイル帯域幅および4G/5Gハンドオフの深層学習ベースのリアルタイム予測を提案する。LSTMおよび勾配ブースティングツリーを用いて、80%以上の精度で将来の帯域幅とハンドオフ遷移を予測し、帯域幅単体よりもチャネルおよびコンテキスト特徴量が予測に優れていることを示している。

ABSTRACT

Mobile apps are increasingly relying on high-throughput and low-latency content delivery, while the available bandwidth on wireless access links is inherently time-varying. The handoffs between base stations and access modes due to user mobility present additional challenges to deliver a high level of user Quality-of-Experience (QoE). The ability to predict the available bandwidth and the upcoming handoffs will give applications valuable leeway to make proactive adjustments to avoid significant QoE degradation. In this paper, we explore the possibility and accuracy of realtime mobile bandwidth and handoff predictions in 4G/LTE and 5G networks. Towards this goal, we collect long consecutive traces with rich bandwidth, channel, and context information from public transportation systems. We develop Recurrent Neural Network models to mine the temporal patterns of bandwidth evolution in fixed-route mobility scenarios. Our models consistently outperform the conventional univariate and multivariate bandwidth prediction models. For 4G \& 5G co-existing networks, we propose a new problem of handoff prediction between 4G and 5G, which is important for low-latency applications like self-driving strategy in realistic 5G scenarios. We develop classification and regression based prediction models, which achieve more than 80\% accuracy in predicting 4G and 5G handoffs in a recent 5G dataset.

研究の動機と目的

• ユーザーの品質体験（QoE）を低下させる、4G/5Gモバイルネットワークにおける不安定な帯域幅と頻発するハンドオフの課題に対処する。
• ライブ動画ストリーミングやAR/VRなどの低遅延アプリケーションにおけるプロアクティブな適応を可能にするために、将来の帯域幅およびアクセスモードの変更を予測する。
• 共存する4G/5G環境において、帯域幅および4G/5Gハンドオフイベントのリアルタイム予測の実現可能性と精度を調査する。
• 時間的パターンを捉えたチャネル品質、移動性、コンテキスト特徴量を活用するモデルを構築し、従来の単変量手法を凌駕する予測精度を向上させる。

提案手法

• ニューヨーク市MTA公共交通機関のシステムから、豊富な特徴量（帯域幅、RSSI、SNR、移動性、位置、時刻）を有する連続的な4G/LTEおよび5Gトレースを収集した。
• 時間的依存性をモデル化するため、多変量チャネルおよびコンテキストデータに対する未来の帯域幅予測に、長短期記憶（LSTM）およびTPA-LSTMネットワークを適用した。
• 5G/4Gハンドオフ予測という新しい問題を提案し、QoSへの影響が異なる4G→5Gおよび5G→4G遷移を区別した。
• バイナリーハンドオフ分類には勾配ブースティングマシン（GBM）を、将来の時間窓における5Gアクセス確率の連続的予測には勾配ブースティング回帰（GBR）を用いた。
• 実世界の移動データにおけるモデル性能最適化のため、5分割交差検証およびハイパーパramータチューニングを実施した。
• 識別性能および予測品質の評価のため、正解率、F1スコア、AUC、RMSE、ROC曲線などの指標を用いてモデルを評価した。

実験結果

リサーチクエスチョン

• RQ1 時間的パターンを捉えたチャネルおよびコンテキスト特徴量を用いることで、深層学習モデルは4G/5Gネットワークにおける将来のモバイル帯域幅を効果的に予測できるか？
• RQ2 RSSI、SNR、移動性などの多変量特徴量を組み込むことで、単変量モデルと比較して帯域幅予測の精度はどの程度向上するか？
• RQ3 特に両アクセスモード間の性能差を考慮すると、4G/5Gハンドオフはどの程度リアルタイムで予測可能か？
• RQ4 帯域幅特徴量を含めることでハンドオフ予測精度は向上するのか、それともチャネルおよび移動性特徴量の方がより予測に優れているか？
• RQ5 4G→5Gおよび5G→4Gハンドオフのための別個モデルは、単一の統合モデルよりも高い精度を達成できるか？

主な発見

• TPA-LSTMモデルは、4Gおよび5Gトレースの両方において、従来の単変量および多変量帯域幅予測モデルを上回る性能を示した。
• GBMモデルを用いたハンドオフ予測の正解率は80%以上で、5G→4G遷移ではF1スコア0.808、4G→5G遷移では0.833を達成した。
• 全特徴量（帯域幅を除くおよび含む）を用いた場合、AUCは0.82および0.83を達成し、優れた識別性能を示した。一方、帯域幅単体のモデルではAUCはわずか0.65にとどまった。
• 4G→5Gおよび5G→4Gハンドオフのための別個モデルは、単一の統合モデルよりも性能が向上し、それぞれの方向における行動パターンの相違を裏付けた。
• GBRに基づく連続的ハンドオフ予測では、次の8秒間における5Gアクセスの割合を予測するRMSEが0.109にまで低下し、極端なケース（ρ=0またはρ=1）においても分散が小さかった。
• 帯域幅とハンドオフイベントの相関は因果関係を示さない。ハンドオフ予測において、帯域幅よりもチャネル品質および移動性特徴量がより予測に優れていた。