[논문 리뷰] Artificial Intelligence Powered Mobile Networks: From Cognition to Decision

Guiyang Luo, Quan Yuan외 3명|arXiv (Cornell University)|2021. 12. 08.

IoT and Edge/Fog Computing인용 수 8

한 줄 요약

이 논문은 깊이 학습을 활용하여 네트워크 상태를 직접 인지된 QoS로 매핑하는 인공지능 기반 모바일 네트워크 아키텍처를 제안한다. 실제 셀룰러 데이터를 기반으로 컨볼루션 신경망(CNN)을 활용함으로써 인지된 지연을 감소시키고 QoS 예측 정확도를 향상시켰으며, 테스트 정확도 78.84%를 달성하여 기존 기계학습 방법들을 능가하였다. 이는 선제적이고 지능적인 네트워크 관리의 가능성을 입증한다.

ABSTRACT

Mobile networks (MN) are anticipated to provide unprecedented opportunities to enable a new world of connected experiences and radically shift the way people interact with everything. MN are becoming more and more complex, driven by ever-increasingly complicated configuration issues and blossoming new service requirements. This complexity poses significant challenges in deployment, management, operation, optimization, and maintenance, since they require a complete understanding and cognition of MN. Artificial intelligence (AI), which deals with the simulation of intelligent behavior in computers, has demonstrated enormous success in many application domains, suggesting its potential in cognizing the state of MN and making intelligent decisions. In this paper, we first propose an AI-powered mobile network architecture and discuss challenges in terms of cognition complexity, decisions with high-dimensional action space, and self-adaption to system dynamics. Then, potential solutions that are associated with AI are discussed. Finally, we propose a deep learning approach that directly maps the state of MN to perceived QoS, integrating cognition with the decision. Our proposed approach helps operators in making more intelligent decisions to guarantee QoS. Meanwhile, the effectiveness and advantages of our proposed approach are demonstrated on a real-world dataset, involving $31261$ users over $77$ stations within $5$ days.

연구 동기 및 목표

• 증가하는 사용자 수요, 다양한 서비스 및 동적인 트래픽 패턴으로 인해 점점 더 복잡해지는 모바일 네트워크의 복잡성에 대응하기 위해.
• 규칙 기반의 반응형 네트워크 관리의 한계를 극복하고, AI를 통해 선제적이고 지능적인 의사결정을 가능하게 하기 위해.
• AI를 모바일 네트워크에 통합하여 네트워크 상태에 대한 인지 능력을 향상시키고, 자원 할당을 최적화하며, 최종 사용자 QoS를 향상시키기 위해.
• 수동적인 특징 공학 없이도 원시 네트워크 상태를 직접 인지된 QoS로 매핑하는 데이터 기반의 종단 간 딥 러닝 모델을 개발하기 위해.
• 중국 체신(China Telecom) 운영자로부터 확보한 실제 셀룰러 네트워크 데이터를 기반으로 제안된 AI 프레임워크의 효과성을 입증하기 위해.

제안 방법

• 이동형 엣지 컴퓨팅 환경에서 인지, 인식, 의사결정 기능을 통합한 인공지능 기반 모바일 네트워크 아키텍처를 제안한다.
• 다차원 네트워크 상태 입력을 직접 인지된 QoS로 매핑하기 위해 깊이 학습—특히 컨볼루션 신경망(CNN)—을 활용한다.
• 실제 모바일 네트워크 데이터를 기반으로 학습을 수행하였으며, 77개의 기지국에서 31,261명의 사용자에 대한 사용자 액세스, 신호 처리, 연결 기록 데이터를 5일 간 수집하였다.
• 사전 특징 공학 없이도 네트워크 조건과 사용자 QoS 간의 숨겨진 패턴과 비선형 관계를 추출하기 위해 종단 간 학습을 적용한다.
• QoS 예측 및 자원 결정에 대한 성능 평가를 위해 기존 기계학습 기반 모델(KNN, SVM, DT, LGB)과 CNN 모델을 비교한다.
• 공간 히트맵을 활용하여 네트워크 전반에 걸친 인지된 지연에 대한 모델의 영향을 시각화함으로써 QoS 향상 효과를 입증한다.

Figure 1: The proposed architecture for AI-powered mobile network, which consists of perception, cognition, and decision, forming a closed-form control system. These three parts are located in the mobile edge computing center, which can reduce latency, lessen the burden of the backbone network, and

실험 결과

연구 질문

• RQ1 어떻게 AI를 효과적으로 모바일 네트워크에 통합하여 규칙 기반 시스템을 초월한 선제적 인지 및 의사결정을 가능하게 할 수 있는가?
• RQ2 어떤 딥 러닝 아키텍처가 복잡하고 고차원적인 네트워크 상태를 최소한의 특징 공학으로 인지된 QoS로 매핑하는 데 가장 적합한가?
• RQ3 실제 모바일 네트워크 환경에서 CNN 기반 접근법이 기존 기계학습 모델에 비해 QoS 예측 및 향상에 얼마나 효과적인가?
• RQ4 AI는 지능적인 자원 할당을 통해 사용자 경험 향상을 위해 얼마나 많은 인지된 네트워크 지연을 감소시킬 수 있는가?
• RQ5 특히 인지 복잡성, 고차원 행동 공간, 시스템 동적 특성 등 고려해야 할 주요 과제는 무엇인가?

주요 결과

• 제안된 CNN 모델은 테스트 데이터셋에서 인지된 QoS 예측 정확도 78.84%를 달성하여 모든 기준 기계학습 모델을 능가하였다.
• 기존 기계학습 방법들은 얕은 아키텍처와 네트워크 상태 데이터의 복잡하고 비선형적인 관계를 모델링할 능력이 부족하여 성능이 열등하였다.
• CNN 모델은 트래픽 혼잡을 유발하는 네트워크 조건의 숨겨진 패턴을 성공적으로 식별하여 선제적 QoS 관리를 가능하게 하였다.
• 시각화 결과, CNN 모델 적용 시 네트워크 전반에서 인지된 지연이 크게 감소하였으며, 향상된 QoS의 공간 분포가 더 명확하게 드러났다.
• 실제 데이터에서 모델의 강건성과 일반화 능력이 입증되어 운영 가능한 모바일 네트워크에의 구현 가능성을 확인하였다.
• 이 연구는 종단 간 딥 러닝이 특히 동적인 환경에서 전통적인 히ュ리스틱 및 규칙 기반 접근법을 효과적으로 대체할 수 있음을 확인하였다.

Figure 2: Machine learning algorithms are divided into three broad categories, i.e., SL, UL, and RL, respectively, depending on the nature of the signal or feedback available to the learning system. They can also be categorized into ONL and OFL based on the static dataset or sequentially generated d