[논문 리뷰] An Intelligent Call Admission Control Decision Mechanism for Wireless Networks

H. S. Ramesh Babu, Gowrishankar Gowrishankar외 1명|arXiv (Cornell University)|2010. 04. 26.

Wireless Communication Networks Research참고 문헌 18인용 수 6

한 줄 요약

이 논문은 이질적인 차세대 무선망(NGWN)에서 통화 신청을 지능적으로 관리하기 위해 순환 라디얼 기저 함수 네트워크(RRBFN)를 사용하는 퍼지 신경 통화 승인 제어(FNCAC) 기법을 제안한다. 퍼지 논리로 언어적 의사결정을 하고 신경망으로 적응 학습을 수행함으로써, FNCAC 모델은 대화형, 상호작용형, 배경형의 세 가지 트래픽 유형에서 통화 차단 확률을 감소시키면서도 최적의 자원 활용도를 유지를 한다.

ABSTRACT

The Call admission control (CAC) is one of the Radio Resource Management (RRM) techniques plays instrumental role in ensuring the desired Quality of Service (QoS) to the users working on different applications which have diversified nature of QoS requirements. This paper proposes a fuzzy neural approach for call admission control in a 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 (RRBFN) which have better learning and adaptability that can be used to develop the intelligent system to handle the incoming traffic in the heterogeneous network environment. The proposed FNCAC can achieve reduced call blocking probability keeping the resource utilisation at an optimal level. In the proposed algorithm we have considered three classes of traffic having different QoS requirements. We have considered the heterogeneous network environment which can effectively handle this traffic. The traffic classes taken for the study are Conversational traffic, Interactive traffic and back ground traffic which are with varied QoS parameters. The paper also presents the analytical model for the CAC .The paper compares the call blocking probabilities for all the three types of traffic in both the models. The simulation results indicate that compared to Fuzzy logic based CAC, Conventional CAC, The simulation results are optimistic and indicates that the proposed FNCAC algorithm performs better where the call blocking probability is minimal when compared to other two methods.

연구 동기 및 목표

• 다양한 트래픽 수요를 가진 이질적인 무선망에서 서비스 품질(QoS)을 유지하는 데 도전하는 데 목적을 두며.
• 다른 응용 프로그램이 서로 다른 QoS 요구 사항을 가진 다중 트래픽 환경에서 통화 차단 확률을 줄이는 데 목적을 두며.
• 변동하는 네트워크 조건과 트래픽 부하에 동적으로 적응할 수 있는 지능적인 통화 승인 제어 메커니즘을 개발하는 데 목적을 두며.
• 퍼지 논리의 해석 가능성과 신경망의 학습 능력을 융합하여 CAC에서의 개선된 의사결정을 이루는 데 목적을 두며.
• 기본적인 CAC 및 퍼지 논리 기반 CAC 방법과 비교하여 제안된 FNCAC 모델의 성능을 차단 확률 및 자원 활용도 측면에서 평가하는 데 목적을 두며.

제안 방법

• FNCAC 모델은 시간에 따라 변하는 네트워크 환경에서의 동적 적응성과 향상된 학습 능력을 확보하기 위해 핵심 학습 아키텍처로 순환 라디얼 기저 함수 네트워크(RRBFN)를 사용한다.
• 시스템은 지연, 지터, 대역폭 등의 QoS 매개변수를 기반으로 규칙 기반 의사결정을 수행하는 퍼지 논리와, 제어 결정을 정밀화하기 위한 신경망 학습을 통합한다.
• 대화형, 상호작용형, 배경형의 세 가지 트래픽 유형을 각각 다른 QoS 요구 사항으로 모델링하고, 그 매개변수들을 FNCAC 의사결정 엔진의 입력으로 사용한다.
• CAC 의사결정은 현재 네트워크 부하, 자원 가용성, 트래픽 유형 우선순위를 종합적으로 평가하여 언어적 규칙과 RRBFN에서 유도된 적응 가중치를 활용한다.
• 결정 논리와 성능 지표를 수학적으로 표현하기 위해 통화 승인 제어를 위한 분석 모델을 개발한다.
• 시스템은 시뮬레이션을 통해 기존의 CAC 및 퍼지 논리 기반 CAC와 비교하여 통화 차단 확률 측면에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 제안된 FNCAC 모델은 다양한 트래픽 유형에서 기존의 CAC 및 퍼지 논리 기반 CAC와 비교해 통화 차단 확률 측면에서 어떻게 다를까?
• RQ2 퍼지 논리와 신경망의 통합은 이질적인 무선망에서 자원 활용도와 QoS 향상에 얼마나 기여할 수 있는가?
• RQ3 RRBFN 기반 아키텍처는 동적 트래픽 조건에 효과적으로 적응하여 다중 트래픽 환경에서 낮은 차단률을 유지할 수 있는가?
• RQ4 기존 방법과 비교해 FNCAC는 고우선순위 대화형 트래픽에 대해 차단 확률을 최소화하는 데 어떤 성능 향상을 보이는가?
• RQ5 다양한 네트워크 부하 조건 하에서 FNCAC 모델은 자원 효율성과 QoS 보장을 어떻게 균형 있게 유지하는가?

주요 결과

• 제안된 FNCAC 기법은 기존의 기존 CAC 및 퍼지 논리 기반 CAC 방법보다 유의미하게 낮은 통화 차단 확률을 달성한다.
• RRBFN 프레임워크 내에서 퍼지 논리와 신경망을 통합함으로써 더 나은 적응성과 학습 능력이 확보되어 동적 트래픽 조건 하에서도 의사결정 능력이 향상된다.
• 모델은 트래픽 유형의 QoS 요구 사항에 따라 효과적으로 우선순위를 매기면서도 최적의 자원 활용도를 유지한다.
• 시뮬레이션 결과, FNCAC 모델은 특히 대화형 및 상호작용형 트래픽 유형에서의 차단률 감소 측면에서 기존 방법을 능가함을 보여준다.
• 분석 모델은 혼합된 트래픽 유형을 가진 이질적 네트워크 환경에서 FNCAC 접근법의 안정성과 확장성을 확인한다.