[논문 리뷰] A QoS Provisioning Recurrent Neural Network based Call Admission Control for beyond 3G Networks

H. S. Ramesh Babu, Gowrishankar Gowrishankar외 1명|arXiv (Cornell University)|2010. 04. 20.

Wireless Communication Networks Research참고 문헌 30인용 수 10

한 줄 요약

이 논문은 3G 초과 네트워크에서 다중 클래스 트래픽을 지능적으로 관리하기 위해 순환 라디얼 기저 함수 네트워크를 사용하는 퍼지 신경 콜 인계 제어(FNCAC) 기법을 제안한다. 퍼지 논리의 의사결정 기능과 신경망 학습 기능을 통합함으로써 FNCAC 모델은 기존 방법보다 더 효과적으로 통화 차단 확률을 감소시키며, 이질적인 무선 환경에서 뛰어난 QoS 제공 능력을 입증한다.

ABSTRACT

The Call admission control (CAC) is one of the Radio Resource Management (RRM) techniques that plays influential role in ensuring the desired Quality of Service (QoS) to the users and applications in next generation networks. This paper proposes a fuzzy neural approach for making the call admission control decision in multi class traffic based Next Generation Wireless Networks (NGWN). The proposed Fuzzy Neural call admission control (FNCAC) scheme is an integrated CAC module that combines the linguistic control capabilities of the fuzzy logic controller and the learning capabilities of the neural networks. The model is based on recurrent radial basis function networks which have better learning and adaptability that can be used to develop intelligent system to handle the incoming traffic in an heterogeneous network environment. The simulation results are optimistic and indicates that the proposed FNCAC algorithm performs better than the other two methods and the call blocking probability is minimal when compared to other two methods.

연구 동기 및 목표

• 3G 초과 무선 네트워크의 이질적이고 다중 클래스 트래픽 환경에서 서비스 품질(QoS)을 유지하는 데 도전 과제를 해결하기 위해.
• 변동하는 트래픽 부하와 사용자 수요에 동적으로 대응할 수 있는 지능적인 콜 인계 제어(CAC) 메커니즘을 개발하기 위해.
• 퍼지 논리의 언어적 추론 기능과 신경망의 적응 학습 능력을 융합하여 자원 할당에서의 의사결정 향상 목적으로.
• 다양한 트래픽 클래스에 대한 QoS 보장을 확보하면서도 통화 차단 확률을 감소시키기 위해 다음 세대 무선 네트워크(NGWN)에서의 QoS 보장을 목표로.

제안 방법

• FNCAC 기법은 동적인 트래픽 행동을 모델링하고 실시간 적응을 지원하기 위해 순환 라디얼 기저 함수(RBF) 네트워크를 활용한다.
• 퍼지 논리는 QoS 제공을 위한 언어적 규칙(예: 대역폭 및 지연 요구 사항)을 해석하기 위해 신경망 아키텍처에 통합된다.
• 시스템은 퍼지 추론와 RBF 네트워크 학습을 융합한 하이브리드 아키텍처를 사용하여 입력 트래픽 파라미터를 인계 결정으로 매핑한다.
• 순환 구조는 트래픽 패턴의 시간적 모델링을 가능하게 하여 예측 정확도 향상과 네트워크 조건 변화에 대한 반응성 향상을 도모한다.
• 모델은 역사적 트래픽 데이터를 사용하여 훈련되어 결정 임계값을 최적화하고 차단 확률을 최소화한다.
• 통합된 QoS 지표(대역폭, 지연, 제트)를 바탕으로 콜 인계 결정이 내려지며, 이는 중요한 트래픽을 우선순위 처리한다.

실험 결과

연구 질문

• RQ1 하이브리드 퍼지-신경 모델은 3G 초과 네트워크의 다중 클래스 트래픽 환경에서 QoS 제공 능력을 어떻게 향상시킬 수 있는가?
• RQ2 순환 RBF 네트워크의 사용이 CAC 메커니즘의 적응성과 학습 성능에 어떤 영향을 미치는가?
• RQ3 FNCAC 기법은 기존 CAC 방법과 비교해 통화 차단 확률과 자원 활용도 측면에서 어떻게 다를까?
• RQ4 퍼지 논리는 동적인 이질적 네트워크 환경에서 의사결정 능력을 얼마나 향상시킬 수 있는가?
• RQ5 학습 능력과 언어적 추론의 융합은 복잡성을 줄이면서도 고수준의 QoS를 유지하는 데 기여할 수 있는가?

주요 결과

• 제안된 FNCAC 알고리즘은 연구에서 평가된 두 가지 벤치마크 방법보다 낮은 통화 차단 확률을 달성한다.
• 순환 RBF 네트워크 구조는 정적 모델보다 변동하는 트래픽 부하에 더 빠르게 수렴하고 적응할 수 있다.
• 퍼지 논리의 통합은 전문 지식 기반의 QoS 임계값과 트래픽 우선순위를 반영함으로써 의사결정 능력을 향상시킨다.
• 시뮬레이션 결과는 FNCAC 모델이 QoS 요구 사항을 충족하면서도 더 높은 네트워크 활용도를 유지함을 확인한다.
• 실시간 및 비실시간 서비스를 포함한 혼합 트래픽 클래스를 처리하는 데 있어 시스템은 향상된 강건성과 안정성을 보여준다.
• FNCAC 접근 방식은 차단 성능과 동적인 네트워크 조건에 대한 적응성 측면에서 기존 CAC 기법들을 능가한다.