[논문 리뷰] Data Driven Optimization of Inter-Frequency Mobility Parameters for Emerging Multi-band Networks

Muhammad Umar Bin Farooq, Marvin Manalastas외 5명|arXiv (Cornell University)|2020. 08. 18.

Millimeter-Wave Propagation and Modeling참고 문헌 12인용 수 16

한 줄 요약

이 논문은 5G 및 그 이상의 네트워크에서 XGBoost를 사용한 KPI 예측과 유전 알고리즘(GA)을 활용한 RSRP 및 핸드오버 성공률(HOSR)의 동시 최적화를 통해 데이터 기반 최적화 프레임워크를 제안한다. 브루트 포스 대비 최적성 손실이 거의 없이 48배 빠른 수렴을 달성하였으며, RSRP와 HOSR 최적화를 위한 파라미터 값이 중복되지 않으며, A5th2가 가장 높은 민감도 영향을 미친다는 점을 규명하였다.

ABSTRACT

Densification and multi-band operation in 5G and beyond pose an unprecedented challenge for mobility management, particularly for inter-frequency handovers. The challenge is aggravated by the fact that the impact of key inter-frequency mobility parameters, namely A5 time to trigger (TTT), A5 threshold1 and A5 threshold2 on the system's performance is not fully understood. These parameters are fixed to a gold standard value or adjusted through hit and trial. This paper presents a first study to analyze and optimize A5 parameters for jointly maximizing two key performance indicators (KPIs): Reference signal received power (RSRP) and handover success rate (HOSR). As analytical modeling cannot capture the system-level complexity, a data driven approach is used. By developing XGBoost based model, that outperforms other models in terms of accuracy, we first analyze the concurrent impact of the three parameters on the two KPIs. The results reveal three key insights: 1) there exist optimal parameter values for each KPI; 2) these optimal values do not necessarily belong to the current gold standard; 3) the optimal parameter values for the two KPIs do not overlap. We then leverage the Sobol variance-based sensitivity analysis to draw some insights which can be used to avoid the parametric conflict while jointly maximizing both KPIs. We formulate the joint RSRP and HOSR optimization problem, show that it is non-convex and solve it using the genetic algorithm (GA). Comparison with the brute force-based results show that the proposed data driven GA-aided solution is 48x faster with negligible loss in optimality.

연구 동기 및 목표

• 밀도 높은 다중 대역 5G 네트워크에서 이주 주파수 핸드오버 파라미터에 대한 체계적 최적화의 부족을 해결하기 위해.
• 복잡한 시스템 수준의 동역학 조건 하에서 참조 신호 수신 전력(RSRP)과 핸드오버 성공률(HOSR)이라는 두 가지 핵심 KPI를 동시에 최대화하기 위해.
• 분석 모델링과 수동 튜닝의 한계를 극복하기 위해 합성 데이터와 기계학습을 활용하기 위해.
• 민감도 분석과 히우리스틱 최적화를 통해 RSRP와 HOSR 최적화 간의 파라미터 갈등을 해결하기 위해.
• 계산 효율성은 향상시키면서도 높은 정확도를 유지하는 확장 가능한 데이터 기반 솔루션을 개발하기 위해.

제안 방법

• 대표성 있고 실제 세계 데이터의 제약을 피하기 위해 3GPP 준수 시뮬레이터를 사용해 합성 네트워크 데이터를 생성하였다.
• XGBoost 기반의 회귀 모델을 학습하여 RSRP와 HOSR를 낮은 RMSE(각각 0.074 dBm 및 2.5%)로 예측하였으며, 다른 기계학습 모델보다 뛰어난 성능을 보였다.
• Sobol 분산 기반 민감도 분석을 통해 A5th1, A5th2, TTT가 각 KPI에 미치는 영향을 정량화하였다.
• 가중치가 부여된 목적 함수를 포함한 비볼록 다중 목표 최적화 문제로 RSRP와 HOSR를 통합하여 수식화하였다.
• 비볼록 최적화 문제를 해결하기 위해 유전 알고리즘(GA)을 사용하였으며, 빠른 수렴을 달성하였다.
• 브루트 포스 검색과의 비교를 통해 GA 기반 솔루션의 속도와 근사 최적성의 타당성을 검증하였다.

실험 결과

연구 질문

• RQ1 이주 주파수 핸드오버에서 RSRP와 HOSR를 동시에 최대화하기 위한 A5th1, A5th2, TTT의 최적 설정은 무엇인가?
• RQ2 A5th1, A5th2, TTT의 변동이 RSRP와 HOSR에 미치는 영향은 어떻게 되며, 어느 파라미터가 가장 높은 민감도 영향을 미치는가?
• RQ3 합성 데이터와 기계학습을 활용한 데이터 기반 접근이 복잡하고 동적인 네트워크에서 COP-KPI 관계를 정확하게 모델링할 수 있는가?
• RQ4 TTT와 같은 파라미터를 선택적으로 튜닝함으로써 RSRP와 HOSR 최적화 간의 파라미터 갈등을 피할 수 있는가?
• RQ5 브루트 포스 검색 대비 GA 기반 최적화의 성능은 속도와 최적성 측면에서 어떻게 비교되는가?

주요 결과

• XGBoost는 RSRP 예측에서 가장 높은 정확도를 보였으며, RMSE는 0.074 dBm이었고, HOSR 예측에서는 RMSE가 2.5%로 다른 기계학습 모델보다 뛰어났다.
• RSRP와 HOSR 최적화를 위한 최적 파라미터 값은 중복되지 않으며, 이는 두 KPI 간의 근본적인 상충 관계를 시사한다.
• A5th2는 RSRP와 HOSR 양쪽에 가장 높은 민감도 영향을 미치며, 그 다음으로 A5th1이 영향을 주고, TTT는 HOSR에 거의 영향을 주지 않으며 RSRP에는 중간 정도의 영향을 미친다.
• GA 기반 최적화는 브루트 포스 검색 대비 48배 빠른 수렴을 달성하였으며, RSRP와 HOSR 각각 0.13 dBm 및 1.73%의 성능 저하만 발생시켰다.
• 브루트 포스로 찾은 최적 파라미터 조합은 [128ms, -104 dBm, -110 dBm]였고, GA는 [128ms, -103 dBm, -109 dBm]를 도출하여 근사 최적성을 확인하였다.
• 제안된 프레임워크는 A5 파라미터의 자기 최적화를 가능하게 하여 기존의 골드 스탠다드를 뛰어나는 KPI 향상을 이끌어냈다.