[논문 리뷰] Artificial Intelligence as an Enabler for Cognitive Self-Organizing Future Networks

Siddiq Latif, Farrukh Pervez외 2명|arXiv (Cornell University)|2017. 02. 09.

Cognitive Radio Networks and Spectrum Sensing참고 문헌 21인용 수 13

한 줄 요약

이 논문은 인공지능(AI)이 5G 및 IoT 환경에서 인지 자율적 조직화 네트워크의 기초적 추진력임을 제안한다. 인공지능 기법—강화학습, 유전 알고리즘, 신경망 등을 인지 라디오(CR) 및 자율적 조직화 네트워크(SON)에 통합함으로써, 동적 스펙트럼 접근, 자율적 네트워크 설정, 최적화 및 장애 복구 기능을 실현하여 스펙트럼 효율성, QoS 및 네트워크 내성 향상에 기여한다.

ABSTRACT

The explosive increase in number of smart devices hosting sophisticated applications is rapidly affecting the landscape of information communication technology industry. Mobile subscriptions, expected to reach 8.9 billion by 2022, would drastically increase the demand of extra capacity with aggregate throughput anticipated to be enhanced by a factor of 1000. In an already crowded radio spectrum, it becomes increasingly difficult to meet ever growing application demands of wireless bandwidth. It has been shown that the allocated spectrum is seldom utilized by the primary users and hence contains spectrum holes that may be exploited by the unlicensed users for their communication. As we enter the Internet Of Things (IoT) era in which appliances of common use will become smart digital devices with rigid performance requirements (such as low latency, energy efficiency, etc.), current networks face the vexing problem of how to create sufficient capacity for such applications. The fifth generation of cellular networks (5G) envisioned to address these challenges are thus required to incorporate cognition and intelligence to resolve the aforementioned issues.

연구 동기 및 목표

• 스마트 기기 및 IoT 애플리케이션의 확산으로 인한 무선 대역폭 수요 및 서비스 품질(QoS) 증가에 대응하기 위해.
• 현재 무선 네트워크에서의 정적 스펙트럼 할당 및 비효율적인 무선 자원 관리의 한계를 극복하기 위해.
• AI 기반 인지 라디오(CR) 및 자율적 조직화 네트워크(SON)를 통해 자율적이고 지능적인 네트워크 운영을 실현하기 위해.
• 5G 네트워크에 AI 기법을 통합하여 자가 설정, 자가 최적화 및 자가 복구 기능을 달성하기 위해.
• AI가 스펙트럼 민첩성, 맥락 인식 및 적응형 학습을 통합하여 확장 가능하고 효율적이며 내성적인 미래의 무선 네트워크를 구축하는 방법을 입증하기 위해.

제안 방법

• AI를 활용해 실시간으로 무선 파rameter를 동적으로 조정하기 위해 인지 사이클(감지, 학습, 추론, 재구성)을 적용한다.
• 장기 보상 최대화를 위해 모델 기반 최적화를 위한 강화학습(RL)을 스펙트럼 접근, 전력 제어 및 빔포밍에 적용한다.
• 감독 분류 기반으로 채널 선택 및 전송 파rameter 적응을 위해 지지 벡터 기반 기계학습(SVMs)을 활용한다.
• 복잡한 무선 환경을 모델링하고 낮은 오버헤드로 링크 품질을 추정하기 위해 인공 신경망(ANNs)을 적용한다.
• 이질적 네트워크에서 자원 할당, 간섭 관리 및 전력 제어를 위한 강건한 성능을 확보하기 위해 퍼지 논리 및 유전 알고리즘(GAs)을 적용한다.
• 세포가 개별적으로 RL을 사용하고 중심 기관을 통해 최적화 경험을 공유함으로써 협력적 커버리지 및 용량 트레이드오프를 달성하는 하이브리드 아키텍처에서 중심 및 분산 학습을 통합한다.

실험 결과

연구 질문

• RQ1 어떻게 AI 기법을 활용해 인지 라디오가 주 사용자에 영향을 주지 않고 스펙트럼 홀을 동적으로 감지하고 적응할 수 있는가?
• RQ2 어떤 AI 기반 방법이 대규모 5G 및 이질적 네트워크에서 네트워크 자가 설정, 자가 최적화 및 자가 복구를 효과적으로 자동화할 수 있는가?
• RQ3 강화학습과 게임 이론은 인지 라디오 네트워크에서 스펙트럼 이용률과 QoS를 어떻게 향상시키는가?
• RQ4 하이브리드 AI 모델(예: 강화학습과 함께 퍼지 신경망)은 네트워크 커버리지와 용량 간의 트레이드오프를 어떻게 개선할 수 있는가?
• RQ5 AI는 향후 무선 네트워크에서 트래픽 패턴을 예측하고 네트워크 혼잡을 방지하기 위해 자원을 사전 할당할 수 있는가?

주요 결과

• AI 기반 인지 사이클은 동적 스펙트럼 접근 및 재구성을 가능하게 하여 스펙트럼 이용률 향상과 간섭 감소에 기여한다.
• 강화학습은 환경의 전체 모델이 필요 없이 보상과 벌점을 통해 학습함으로써 스펙트럼 접근 및 전력 제어에서 최적의 장기 성능을 달성한다.
• 유전 알고리즘은 대규모 동적 네트워크에서 셀 계획, 전력 제어 및 라우팅 최적화에 효과적으로 활용되어 강건성과 적응성을 입증한다.
• 퍼지 신경망과 협동 강화학습을 조합한 하이브리드 접근은 커버리지 및 용량의 공동 최적화를 가능하게 하며 에너지 효율성을 향상시킨다.
• 지지 벡터 기반 기계학습과 隐藏 마르코프 모델은 높은 정확도와 낮은 계산 비용으로 스펙트럼 홀 탐지 및 핸드오버 관리 성능을 향상시킨다.
• AI 기반 자가 설정 및 자가 복구 기능은 이질적 5G 네트워크에서 운영 복잡성 감소와 함께 장애 탐지 및 복구 시간 단축에 기여한다.