[논문 리뷰] Application of Machine Learning in Wireless Networks: Key Techniques and Open Issues

Yaohua Sun, Mugen Peng외 3명|arXiv (Cornell University)|2018. 09. 24.

Cooperative Communication and Network Coding참고 문헌 149인용 수 45

한 줄 요약

본 연구는 무선 네트워크에서 자원 관리, 네트워킹, 이동성 관리 및 위치 추정에 걸친 머신러닝 기법의 적용을 포괄적으로 검토하고, 열려 있는 문제와 향후 방향에 대해 논의한다.

ABSTRACT

As a key technique for enabling artificial intelligence, machine learning (ML) is capable of solving complex problems without explicit programming. Motivated by its successful applications to many practical tasks like image recognition, both industry and the research community have advocated the applications of ML in wireless communication. This paper comprehensively surveys the recent advances of the applications of ML in wireless communication, which are classified as: resource management in the MAC layer, networking and mobility management in the network layer, and localization in the application layer. The applications in resource management further include power control, spectrum management, backhaul management, cache management, beamformer design and computation resource management, while ML based networking focuses on the applications in clustering, base station switching control, user association and routing. Moreover, literatures in each aspect is organized according to the adopted ML techniques. In addition, several conditions for applying ML to wireless communication are identified to help readers decide whether to use ML and which kind of ML techniques to use, and traditional approaches are also summarized together with their performance comparison with ML based approaches, based on which the motivations of surveyed literatures to adopt ML are clarified. Given the extensiveness of the research area, challenges and unresolved issues are presented to facilitate future studies, where ML based network slicing, infrastructure update to support ML based paradigms, open data sets and platforms for researchers, theoretical guidance for ML implementation and so on are discussed.

연구 동기 및 목표

• 무선 네트워크에서 사용되는 인기 있는 머신러닝 기법과 계층 간 적용 가능성을 요약한다.
• 자원 관리, 네트워킹, 이동성 관리, 위치 추정에서 ML 기반 응용을 분류하고 검토한다.
• 무선 네트워크에서 ML 적용에 대한 조건과 기준선을 논의하고 전통적 접근법과 비교한다.
• ML 기반 무선 시스템을 발전시키기 위한 열려 있는 문제와 향후 연구 방향을 식별한다.

제안 방법

• 무선 네트워크에서 사용되는 감독학습, 비감독학습, 강화학습, 신경망 및 전이학습을 설명한다.
• 네트워크 계층 및 기능별로 예를 들어 전력 제어, 스펙트럼/백홀/캐시/빔포머/계산 자원 관리, 사용자 연결, 기지국 전환, 라우팅, 클러스터링과 같이 응용을 정리한다.
• 데이터 가용성, 시간 비용, 문제 유형과 같은 이슈와 ML 기법의 적합성을 연결하여 방법 선택을 안내한다.
• ML 도입을 촉진하기 위한 지침과 전통적 접근법과의 비교를 제공한다.
• ML 기반 네트워크 슬라이싱, 데이터 세트, 플랫폼, 구현을 위한 이론적 지침 등의 도전과제를 강조한다.

실험 결과

연구 질문

• RQ1 무선 네트워크에서 자원 관리, 네트워킹, 이동성 관리, 위치 추정에 가장 일반적으로 적용되는 ML 기법은 무엇인가?
• RQ2 다양한 네트워크 작업에서 성능과 복잡성 측면에서 ML 기반 접근법은 전통적 방법과 어떻게 비교되는가?
• RQ3 5G 시대의 무선 시스템에서 ML 적용을 위한 가능 조건, 데이터 요건, 트레이드오프는 무엇인가?
• RQ4 ML-지원 네트워크 슬라이싱, 데이터 플랫폼, 이론적 지침에 대해 어떤 열려 있는 이슈와 향후 방향이 제기되는가?
• RQ5 전이 학습과 심층 학습이 동적 무선 환경에서 ML 응용을 어떻게 발전시킬 수 있는가?

주요 결과

• ML 기법들(딥러닝 및 강화학습 포함)은 복잡한 네트워크 문제에 대해 적응적이고 낮은 복잡도의 근사치를 제공한다.
• 응용은 MAC, 네트워크, 이동성, 위치 추정 계층 전반에 걸쳐 전력 제어, 스펙트럼, 백홀, 캐시, 빔포머 설계, 계산 자원 관리, 사용자 연결, 기지국 스위칭, 라우팅, 클러스터링 등의 작업으로 정리된다.
• ML 방법은 동적 네트워크를 처리하고 다중 에이전트 RL 및 Q-러닝과 같은 분산 학습 접근을 통해 자기 관리를 가능하게 한다.
• 전이 학습은 관련 작업에서 지식을 재활용해 학습 속도를 높일 수 있지만, 부정적 전달 위험은 주의 깊은 처리가 필요하다.
• 본 연구는 데이터 가용성, 플랫폼 지원, 이론적 지침, 표준 데이터세트와 벤치마크의 필요성 등 열려 있는 문제를 식별한다.