[논문 리뷰] A Survey of Machine Learning Algorithms for 6G Wireless Networks

Anita Patil, Sridhar Iyer외 1명|arXiv (Cornell University)|2022. 03. 16.

Software-Defined Networks and 5G인용 수 5

한 줄 요약

이 종합 검토는 6세대 무선 네트워크를 위한 맞춤형 기계학습(ML) 알고리즘을 검토하며, 운영 비용 절감, 네트워크 성능 향상, 동적 네트워크 슬라이싱 및 엣지 AI와 같은 고급 기능 구현에 기여하는 역할을 강조한다. 주요 ML 기법, 6G 아키텍처에의 통합, 확장성, 실시간 적응, 교차 계층 최적화와 관련된 핵심 열린 연구 과제를 규명한다.

ABSTRACT

The primary focus of Artificial Intelligence/Machine Learning (AI/ML) integration within the wireless technology is to reduce capital expenditures, optimize network performance, and build new revenue streams. Replacing traditional algorithms with deep learning AI techniques have dramatically reduced the power consumption and improved the system performance. Further, implementation of ML algorithms also enables the wireless network service providers to (i) offer high automation levels from distributed AI/ML architectures applicable at the network edge, (ii) implement application-based traffic steering across the access networks, (iii) enable dynamic network slicing for addressing different scenarios with varying quality of service requirements, and (iv) enable ubiquitous connectivity across the various 6G communication platforms. In this chapter, we review/survey the ML techniques which are applicable to the 6G wireless networks. and also list the open problems of research which require timely solutions.

연구 동기 및 목표

• 6G 무선 네트워크에 적용 가능한 최신 기계학습 기법을 분석하기 위해.
• ML이 6G에서 고도의 자동화, 동적 네트워크 슬라이싱, 지능형 트래픽 순행을 어떻게 가능하게 하는지 규명하기 위해.
• 저지연, 확장 가능한 6G 운영을 위한 네트워크 엣지에서의 분산 AI/ML의 역할을 검토하기 위해.
• 실시간 적응 가능성과 교차 계층 설계와 같은 열린 연구 문제를 부각하기 위해 ML 통합에 있어 6G에서의 과제를 강조하기 위해.
• 차세대 무선 시스템에서의 성능 최적화 및 에너지 효율성에 기반한 기계학습 기반 종합 개요 제공하기 위해.

제안 방법

• 6G 네트워크 기능과 관련된 기계학습 알고리즘에 대한 체계적 검토로, 딥 러닝, 강화 학습, 피어드 학습 포함.
• 자원 할당, 빔포밍, 이동성 관리와 같은 네트워크 계층 및 기능별로 ML 응용을 분류.
• 분산형 의사결정 및 저지연 처리를 위한 엣지 기반 AI/ML 아키텍처 분석.
• 다양한 QoS 요구사항을 충족시키기 위해 동적 네트워크 슬라이싱을 위한 ML 기법 평가.
• 테라헤르츠 대역 및 통합 감지-계산 시스템을 포함한 6G 통신 플랫폼에 기계학습 기법 매핑.
• 기존 문헌과 구현 제약 조건에 대한 비판적 평가를 통해 기술적 격차와 연구 과제 규명.

실험 결과

연구 질문

• RQ1 6G 네트워크 성능 최적화와 에너지 소비 감소에 가장 효과적인 기계학습 알고리즘은 무엇인가?
• RQ2 분산형 및 엣지 기반 기계학습 아키텍처는 6G 네트워크에서 실시간, 저지연 의사결정을 어떻게 가능하게 하는가?
• RQ3 기계학습은 이질적인 6G 서비스에서 다양한 QoS 요구사항을 충족시키기 위해 동적 네트워크 슬라이싱를 어떻게 지원하는가?
• RQ4 테라헤르츠 및 통합 감지 네트워크를 포함한 6G 플랫폼 전반에서 광범위한 연결성을 위한 기계학습 구현의 주요 과제는 무엇인가?
• RQ5 6G 구현을 위한 기계학습 기반 솔루션의 확장성, 보안성, 표준화를 높이기 위해 남아있는 열린 연구 과제는 무엇인가?

주요 결과

• 딥 러닝 기법은 기존 알고리즘 대비 6G 네트워크에서 전력 소비를 크게 감소시키고 시스템 성능을 향상시킨다.
• 네트워크 엣지에 구현된 분산 AI/ML 아키텍처는 높은 자동화 수준을 달성하고 6G에서 저지연 응용을 지원한다.
• 기계학습 기반 트래픽 순행은 이질적인 액세스 네트워크 간 응용 프로그램 인식 기반 라우팅을 효율적으로 가능하게 한다.
• 기계학습 기반 동적 네트워크 슬라이싱는 다양한 서비스 품질 요구사항에 맞게 적응형 자원 할당을 가능하게 한다.
• 6G 플랫폼 전반에서의 광범위한 연결성은 무선 액세스 및 백홀 통합 최적화를 위한 기계학습 기반 기술로 향상된다.
• 핵심 열린 연구 과제로는 엣지 기반 기계학습의 확장성, 실시간 모델 적응, 종단 간 6G 지능화를 위한 교차 계층 설계가 있다.