[논문 리뷰] Customized Slicing for 6G: Enforcing Artificial Intelligence on Resource Management

Wanqing Guan, Haijun Zhang외 1명|arXiv (Cornell University)|2021. 02. 21.

Software-Defined Networks and 5G참고 문헌 15인용 수 7

한 줄 요약

이 논문은 다중 이동국공급자(InP) 환경에서 실시간으로 맞춤형 자원 할당을 가능하게 하는 6G 네트워크 슬라이싱을 위한 계층적이고 AI 기반의 자원 관리 프레임워크를 제안한다. 딥 강화학습(DRL)을 활용하여 다중 테넌트 환경에서 실시간으로 최적화된 자원 할당을 실현하며, 슬라이스 수준 피드백과 동적 적응 기능을 통합함으로써 서비스 품질 만족도를 약 20% 향상시키고 네트워크 슬라이스 제공자에게 높은 장기 수익을 유지한다.

ABSTRACT

Next generation wireless networks are expected to support diverse vertical industries and offer countless emerging use cases. To satisfy stringent requirements of diversified services, network slicing is developed, which enables service-oriented resource allocation by tailoring the infrastructure network into multiple logical networks. However, there are still some challenges in cross-domain multi-dimensional resource management for end-to-end (E2E) slices under the dynamic and uncertain environment. Trading off the revenue and cost of resource allocation while guaranteeing service quality is significant to tenants. Therefore, this article introduces a hierarchical resource management framework, utilizing deep reinforcement learning in admission control of resource requests from different tenants and resource adjustment within admitted slices for each tenant. Particularly, we first discuss the challenges in customized resource management of 6G. Second, the motivation and background are presented to explain why artificial intelligence (AI) is applied in resource customization of multi-tenant slicing. Third, E2E resource management is decomposed into two problems, multi-dimensional resource allocation decision based on slice-level feedback and real-time slice adaption aimed at avoiding service quality degradation. Simulation results demonstrate the effectiveness of AI-based customized slicing. Finally, several significant challenges that need to be addressed in practical implementation are investigated.

연구 동기 및 목표

• 다수의 인프라 공급자(InP)와 테넌트를 포함한 6G 네트워크 슬라이싱 환경에서 동적이고 다차원적인 자원 관리 과제를 해결한다.
• 유저 수요의 변동, 이동성, 채널 상태 변화에 적응하는 실시간 맞춤형 자원 할당을 가능하게 한다.
• 테넌트의 엄격한 서비스 품질(QoS) 요구사항을 충족시키면서도 네트워크 슬라이스 제공자(NSP)의 장기 수익을 균형 잡는다.
• 가상 네트워크 기능(VNF)과 처리 단위의 지능적이고 적응적인 제어를 통해 운영 비용을 절감하고 자원 활용도를 향상시킨다.
• 최소한의 신호 전송 오버헤드로 끝에서 끝까지(E2E) 슬라이스 관리를 지원하는 확장 가능한 계층적 프레임워크를 개발한다.

제안 방법

• 분산된 의사결정을 위해 글로벌 자원 관리자(GRM)와 다수의 로컬 자원 관리자(LRM)로 구성된 계층적 프레임워크를 제안한다.
• 슬라이스 수준 피드백에 기반해 장기적인 최적의 자원 할당 결정을 내리기 위해 GRM에서 딥 Q러닝(DQL)과 더블 DQL 알고리즘을 활용한다.
• 자원 제약이 서비스 품질에 영향을 줄 경우, LRMs에서 실시간 슬라이스 적응을 통해 처리 단위를 동적으로 재구성한다.
• 강화학습 보상 함수에 서비스 품질 평가 지표를 통합하여 정책 학습을 이끌어낸다.
• 상태로 현재 자원 활용도와 VNF 배치 정보를 포함하는 마르코프 결정 과정(MDP)으로 E2E 슬라이스 관리를 모델링한다.
• 동적 네트워크 환경에서 고차원 상태-행동 공간을 처리하기 위해 딥 신경망을 통한 함수 근사 기법을 적용한다.

실험 결과

연구 질문

• RQ1 AI 기반 자원 관리가 다중 테넌트 6G 네트워크 슬라이싱 환경에서 수익 극대화와 서비스 품질 유지 간 균형을 효과적으로 달성할 수 있는가?
• RQ2 동적 사용자 수요와 네트워크 조건 하에서 딥 강화학습이 실시간 자원 적응에 미치는 영향은 무엇인가?
• RQ3 끝에서 끝까지(E2E) 슬라이스 관리를 다수의 InP에서 확장 가능하고 계층적인 의사결정 과정으로 분해할 수 있는가?
• RQ4 서비스 품질과 의사결정 지연 측면에서, 비지능적이고 정적 자원 할당 대비 AI 기반 맞춤형 자원 할당의 성능 향상은 어떠한가?
• RQ5 실세계의 다도메인 6G 네트워크에 AI 기반 자원 관리를 구현할 때 남아 있는 실질적 과제는 무엇인가?

주요 결과

• 제안된 AI 기반 프레임워크는 비지능적 자원 관리 대비 서비스 품질 만족도를 약 20% 향상시킨다.
• 슬라이스당 VNF 수가 증가함에 따라 DRL 기반 프레임워크의 의사결정 지연은 1초 이내를 유지하여 실용적 타당성을 입증한다.
• 표준 DQN 대비 더블 DQN(Double DQL)은 학습 안정성을 향상시키고 과도한 추정을 줄여 정책 수렴을 향상시킨다.
• 자원 제약이 성능에 영향을 줄 경우 실시간 슬라이스 적응을 유도함으로써 프레임워크는 높은 서비스 품질을 지속적으로 유지한다.
• 계층적 GRM-LRM 아키텍처는 다중 테넌트 및 다중 InP 배포 시나리오를 지원하는 확장 가능하고 분산된 제어를 가능하게 한다.
• 시뮬레이션 결과는 AI 기반 접근이 NSP의 장기 수익을 극대화하면서도 테넌트의 QoS 보장을 확보함을 확인한다.