[논문 리뷰] Deep Learning and Gaussian Process based Band Assignment in Dual Band Systems.

Daoud Burghal, Rui Wang외 1명|arXiv (Cornell University)|2019. 02. 28.

Millimeter-Wave Propagation and Modeling참고 문헌 35인용 수 7

한 줄 요약

이 논문은 심층 학습(LSTM/MLP) 및 가우시안 프로세스(GP) 모델을 사용하여 센티미터 웨이브와 밀리미터 웨이브 대역 간 전환을 최적화하는 이중 대역 할당(BA) 프레임워크를 제안한다. 심층 학습 접근법은 시간에 따른 채널 상태 정보를 활용함으로써 신뢰성과 전송률을 향상시켜 스트로스틱 및 레이 트레이싱 기반 마이크로셀룰러 환경에서 벤치마크를 모두 초월한다.

ABSTRACT

We consider the band assignment (BA) problem in dual-band systems, where the basestation (BS) chooses one of the two available frequency bands (centimeter-wave and millimeter-wave bands) to communicate with the user equipment (UE). While the millimeter-wave band might offer higher data rate, there is a significant probability of outage during which the communication should be carried on the (more reliable) centimeter-wave band. We consider two variations of the BA problem, one-shot and sequential BA. For the former the BS uses only the currently observed information to decide whether to switch to the other frequency band, for the sequential BA, the BS uses a window of previously observed information to predict the best band for a future time step. We provide two approaches to solve the BA problem, (i) a deep learning approach that is based on Long Short Term Memory and/or multi-layer Neural Networks, and (ii) a Gaussian Process based approach, which relies on the assumption that the channel states are jointly Gaussian. We compare the achieved performances to several benchmarks in two environments: (i) a stochastic environment, and (ii) microcellular outdoor channels obtained by ray-tracing. In general, the deep learning solution shows superior performance in both environments.

연구 동기 및 목표

• 센티미터 웨이브와 밀리미터 웨이브 대역 간의 최적화된 밴드 선택을 통해 이중 대역 무선 시스템에서 신뢰성 있고 고속도 통신을 달성하는 데 도전한다.
• 일회성(현재 상태만 고려) 및 순차적(과거 기록에 의존하는 예측) 두 운영 모드에서의 밴드 할당 문제를 해결한다.
• 채널 상태 변화 경향을 바탕으로 최적의 밴드 사용을 예측할 수 있는 두 가지 학습 기반 접근법—심층 학습 및 가우시안 프로세스—을 개발하고 평가한다.
• 스토케스틱 모델과 실제 레이 트레이싱 기반 마이크로셀룰러 채널을 포함한 다양한 전파 환경에서 성능을 평가한다.
• 학습 기반 BA 전략이 전통적 벤치마크 대비 신뢰성 및 스펙트럼 효율성 측면에서 뚜렷이 뛰어나다는 것을 입증한다.

제안 방법

• 순차적 밴드 할당을 위해 채널 상태 정보의 시간적 의존성을 모델링하기 위해 장기 기억 전이(LSTM) 네트워크와 다층 피드포워드 신경망을 활용한다.
• 과거 채널 관측치의 슬라이딩 윈도우를 사용하여 밴드 할당 문제를 순차적 의사결정 과제로 공식화하고 향후 최적의 밴드 사용을 예측한다.
• 채널 상태의 연합 가우시안 분포를 가정하여 불확실성 추정 및 최적의 밴드 전환 예측을 위한 가우시안 프로세스 모델을 적용한다.
• 과거 채널 상태 데이터를 사용해 심층 학습 및 GP 모델을 훈련하여 정전 확률을 최소화하고 데이터 전송률을 최대화한다.
• 기본 전략(고정된 밴드 선택 및 무작위 전환 등)과의 성능 비교를 위해 보상 기반 평가 지표를 사용한다.
• 합성 스트로스틱 채널 모델과 현실적인 레이 트레이싱 기반 마이크로셀룰러 실외 시나리오의 두 환경에서 모델을 검증한다.

실험 결과

연구 질문

• RQ1 동적 이중 대역 환경에서 심층 학습 기반 밴드 할당의 성능이 기존 및 기준 방법에 비해 어떻게 비교되는가?
• RQ2 과거 채널 상태 정보를 통합함으로써 순차적 BA에서 밴드 할당 결정이 얼마나 향상되는가?
• RQ3 가우시안 프로세스 모델이 채널 상태의 시간적 상관관계를 효과적으로 모델링하여 신뢰성 있는 밴드 전환을 이끌 수 있는가?
• RQ4 실제 레이 트레이싱 기반 마이크로셀룰러 전파 환경에서 제안된 학습 기반 접근법이 합성 모델 대비 어떻게 성능을 내는가?
• RQ5 이중 대역 시스템에서 정확도, 적응 가능성, 계산 비용의 균형을 고려할 때, 심층 학습과 가우시안 프로세스 중 어느 방법이 더 나은 성능을 보이는가?

주요 결과

• LSTM과 다층 신경망을 사용한 심층 학습 기반 접근법은 스트로스틱 환경과 레이 트레이싱 환경 양쪽에서 모든 기준 대비 뛰어난 성능을 달성한다.
• 과거 채널 관측치를 활용하는 순차적 밴드 할당 전략은 일회성 의사결정 대비 정전 확률을 크게 감소시킨다.
• 가우시안 프로세스 기반 방법은 불확실성 정량화 기능을 제공하는 타당한 대안이지만, 성능 면에서 항상 심층 학습 접근법에 뒤지게 된다.
• 레이 트레이싱 기반 마이크로셀룰러 환경에서 심층 학습 모델은 차단 및 다중 경로 fading 등의 현실적인 전파 영향에 대해 뛰어난 강건성을 보였다.
• 고속 이동성 또는 고차단 환경에서 심층 학습과 기준 대비 성능 격차가 가장 두드러지며, 이는 예측 능력이 가장 중요한 상황이다.
• 두 제안된 방법 모두 평균 정전 지속 시간을 감소시키고 스펙트럼 효율성을 향상시키지만, 심층 학습 모델이 더 뛰어난 적응성을 보이며 복잡하고 비정상적인 채널 동역학에 잘 대응한다.