[논문 리뷰] Deep Learning for Hybrid 5G Services in Mobile Edge Computing Systems: Learn from a Digital Twin

Rui Dong, Changyang She외 3명|arXiv (Cornell University)|2019. 06. 30.

IoT and Edge/Fog Computing참고 문헌 28인용 수 6

한 줄 요약

이 논문은 초고신뢰성·저지연(URRLC) 및 지연에 관용 가능한 서비스를 모두 지원하는 하이브리드 5G 모바일 엣지 컴퓨팅(MEC) 시스템에서 에너지 효율성을 최적화하기 위해 디지털 트윈을 활용하는 딥 러닝 프레임워크를 제안한다. 실시간 네트워크 동역학을 모델링하는 디지털 트윈을 기반으로 오프라인으로 딥 네ural 네트워크(DNN)를 훈련시킴으로써, 전통적인 방법에 비해 계산 복잡도를 감소시키면서도 근사 최적의 에너지 소비를 달성하는 실시간 사용자 연동 및 자원 할당을 가능하게 한다.

ABSTRACT

In this work, we consider a mobile edge computing system with both ultra-reliable and low-latency communications services and delay tolerant services. We aim to minimize the normalized energy consumption, defined as the energy consumption per bit, by optimizing user association, resource allocation, and offloading probabilities subject to the quality-of-service requirements. The user association is managed by the mobility management entity (MME), while resource allocation and offloading probabilities are determined by each access point (AP). We propose a deep learning (DL) architecture, where a digital twin of the real network environment is used to train the DL algorithm off-line at a central server. From the pre-trained deep neural network (DNN), the MME can obtain user association scheme in a real-time manner. Considering that real networks are not static, the digital twin monitors the variation of real networks and updates the DNN accordingly. For a given user association scheme, we propose an optimization algorithm to find the optimal resource allocation and offloading probabilities at each AP. Simulation results show that our method can achieve lower normalized energy consumption with less computation complexity compared with an existing method and approach to the performance of the global optimal solution.

연구 동기 및 목표

• URRLC 및 지연에 관용 가능한 서비스를 모두 지원하는 하이브리드 5G 모바일 엣지 컴퓨팅 시스템에서 정규화된 에너지 소비를 최소화하기 위해.
• 엄격한 QoS 제약 조건 하에서 사용자 연동, 자원 할당 및 오프로딩 확률에 대한 비볼록 최적화 문제에 도전하기 위해.
• 딥 러닝을 활용하여 동적인 네트워크 환경에서 실시간으로 저복잡도의 의사결정을 가능하게 하기 위해.
• 실제 네트워크 변동을 반영하고 지속적인 성능을 유지하기 위해 DNN를 지속적으로 업데이트하는 디지털 트윈을 개발하기 위해.

제안 방법

• 네트워크 토폴로지, 채널 상태 및 정보 이론과 큐잉 이론의 이론적 모델을 통합하여 실제 네트워크 환경을 모방하는 디지털 트윈을 구축한다.
• 디지털 트윈은 다양한 구성에서의 에너지 소비, 지연 및 패킷 손실 확률을 시뮬레이션하여 딥 네ural 네트워크(DNN)의 레이블링된 훈련 데이터를 생성한다.
• 중앙 서버에서 오프라인으로 DNN를 훈련시어 최적의 사용자 연동 정책을 학습하고, 이를 이동성 관리 엔티티(MME)에 배포하여 실시간 추론을 수행한다.
• 각 액세스 포인트(AP)는 MME로부터 제공된 사용자 연동 입력을 바탕으로 최적의 자원 할당 및 오프로딩 확률을 계산하기 위한 최적화 알고리즘을 사용한다.
• 디지털 트윈은 실제 네트워크 변화를 지속적으로 모니터링하고, 비정상적인 환경에서도 정확성을 유지하기 위해 주기적으로 DNN를 재훈련한다.
• 모델 기반 이론적 분석(예: URRLC 신뢰성 및 데이터 전송률 제약 조건)을 딥 러닝과 통합하여 대규모 실세계 피드백에 의존하지 않도록 한다.

실험 결과

연구 질문

• RQ1 URRLC 및 지연에 관용 가능한 서비스를 모두 지원하는 하이브리드 5G MEC 시스템에서 에너지 효율성을 어떻게 극대화할 수 있는가?
• RQ2 실시간 네트워크 동역학을 모델링하고 DNN 훈련을 지원하기 위해 디지털 트윈을 어떻게 효과적으로 구축할 수 있는가?
• RQ3 실시간 피드백이나 레이블링된 데이터가 없이도 딥 러닝을 MEC에서 비볼록 최적화 문제에 어떻게 적용할 수 있는가?
• RQ4 네트워크 조건이 시간이 지남에 따라 변화하는 비정상적인 환경에서도 시스템 성능을 어떻게 유지할 수 있는가?

주요 결과

• 제안된 디지털 트윈 기반의 딥 러닝 프레임워크는 전역 최적해의 5% 이내의 정규화된 에너지 소비를 달성한다.
• 기존의 최적화 기반 접근 방식에 비해 계산 복잡도를 크게 감소시킨다.
• 디지털 트윈을 통해 사전 훈련된 DNN 추론을 MME에서 수행함으로써 정확하고 실시간적인 사용자 연동 결정을 가능하게 한다.
• 실제 피드백에 의존하지 않고도 이론적 모델을 활용하여 패킷 손실 확률을 계산함으로써 URRLC 서비스의 높은 신뢰성을 유지를 한다.
• 업데이트된 디지털 트윈 데이터를 사용해 주기적으로 DNN를 재훈련함으로써 동적인 환경에서도 프레임워크의 강건성을 입증한다.