[論文レビュー] When Cellular Meets WiFi in Wireless Small Cell Networks

Mehdi Bennis, Meryem Simsek+4 more|arXiv (Cornell University)|Mar 22, 2013

Advanced MIMO Systems Optimization参考文献 1被引用数 7

ひとこと要約

本稿では、ユーザーのQoSおよびトラフィックタイプに基づき、ライセンス付きLTE帯域と非ライセンスWiFi帯域の間で動的にトラフィックを誘導する分散型で自己組織的であるマルチモード小型基地局（SCBS）のためのクロスシステム学習を提案する。シグナリングの交換なしにレジレットに基づく学習を活用することで、従来のスケジューラーと比較して最大160倍のスループット向上を達成し、特に高負荷下においてセルエッジユーザーのスループットを顕著に向上させる。

ABSTRACT

The deployment of small cell base stations(SCBSs) overlaid on existing macro-cellular systems is seen as a key solution for offloading traffic, optimizing coverage, and boosting the capacity of future cellular wireless systems. The next-generation of SCBSs is envisioned to be multi-mode, i.e., capable of transmitting simultaneously on both licensed and unlicensed bands. This constitutes a cost-effective integration of both WiFi and cellular radio access technologies (RATs) that can efficiently cope with peak wireless data traffic and heterogeneous quality-of-service requirements. To leverage the advantage of such multi-mode SCBSs, we discuss the novel proposed paradigm of cross-system learning by means of which SCBSs self-organize and autonomously steer their traffic flows across different RATs. Cross-system learning allows the SCBSs to leverage the advantage of both the WiFi and cellular worlds. For example, the SCBSs can offload delay-tolerant data traffic to WiFi, while simultaneously learning the probability distribution function of their transmission strategy over the licensed cellular band. This article will first introduce the basic building blocks of cross-system learning and then provide preliminary performance evaluation in a Long-Term Evolution (LTE) simulator overlaid with WiFi hotspots. Remarkably, it is shown that the proposed cross-system learning approach significantly outperforms a number of benchmark traffic steering policies.

研究の動機と目的

• 指数的増加するデータトラフィックに起因する無線通信ネットワークにおける容量不足の問題に対処すること。
• 異種の小型基地局ネットワークにおける3G/LTEとWiFiの無線アクセス技術（RAT）間で、効率的かつ動的なトラフィックオフロードを可能にすること。
• 情報交換を必要とせず、長期的な送信戦略を最適化できる自己組織的で分散型のフレームワークを構築すること。
• 遅延耐性と遅延感受性の両ユーザーのパフォーランスを向上させるために、ライセンス帯と非ライセンス帯の間で知的にトラフィックを誘導すること。
• スケジューリング、小型基地局の高密度化、オフローディング戦略がネットワークスループットと公平性に与える影響を評価すること。

提案手法

• SCBSがレジレットに基づく学習を用いて、ライセンス帯（LTE）と非ライセンス帯（WiFi）の両方で最適な送信戦略を学習するクロスシステム学習フレームワークを提案する。
• SCBS間のシグナリング交換を必要としない分散型で情報なしの学習手順を採用する。
• 遅延耐性と遅延感受性のトラフィックを区別するトラフィック認識（TA）スケジューリングを統合し、最適なバンド割り当てを実現する。
• 初期ユーザー接続にはリファレンス信号受信電力（RSRP）基準を用い、セル範囲拡張バイアスを適用してカバレッジを向上させる。
• 両RATにおける送信戦略の確率分布を長期的に学習する最適化手順を採用する。
• WiFiホットスポットを含むLTEシミュレータで性能を評価し、ランダム選択、PFスケジューリング、標準的な強化学習と比較する。

実験結果

リサーチクエスチョン

• RQ1 マルチモード小型基地局（SCBS）は、ライセンス付きLTE帯域と非ライセンスWiFi帯域の間で、どのように自律的かつ効率的にトラフィックをオフロードできるか？
• RQ2 スループットと公平性の観点から、クロスシステム学習は従来のトラフィック誘導ポリシーに比べてどの程度の性能向上を達成するか？
• RQ3 トラフィック認識スケジューリングの統合は、変動するユーザー負荷とQoS要件下でネットワークパフォーランスにどのように寄与するか？
• RQ4 小型基地局の高密度化とバックホール構成は、セルエッジユーザーのスループットにどのような影響を及ぼすか？
• RQ5 収束速度と安定性の観点から、クロスシステム学習は標準的な強化学習と比べてどのように異なるか？

主な発見

• クロスシステム学習は50回未満の反復で収束するが、標準的な強化学習は数百度の反復を要し、振動的で「ピンポン」的な挙動を示す。
• 提案フレームワークは、従来の比例公平（PF）スケジューリングと比較して、300ユーザーの場合に総セルスループットが160倍向上する。
• 2つのマルチモードSCBS（HetNet+WiFi）を用いることで、セルエッジユーザーのスループットが50%向上する。
• HetNet+WiFiの負荷ベースのオフローディング戦略は、カバレッジベースの戦略を上回り、特に高負荷状況下で顕著な優位性を示す。
• 小型基地局ユーザー（SCUE）とマクロユーザー（MUE）の両方がオフローディングの恩恵を受ける。小型基地局の密度が高くなる（K=2, 4, 6）ほどパフォーランス向上が顕著になる。
• マクロオンリーケースでは25%のUEがデータレートを受信できない状況下でも、セル範囲拡張バイアスを有するSCBSの導入により、全体のパフォーマンス、特にセルエッジユーザーのパフォーランスが顕著に向上する。