[논문 리뷰] Deep Learning in Beyond 5G Networks with Image-based Time-Series Representation

Lucas Fernando Alvarenga e Silva, Bruno Yuji Lino Kimura외 1명|arXiv (Cornell University)|2021. 04. 17.

Wireless Signal Modulation Classification참고 문헌 8인용 수 4

한 줄 요약

이 논문은 5G 이동 통신망의 시간적 변화를 고려한 B5G 네트워크에서 5G 라디오 신호 품질 지표를 예측하기 위한 새로운 딥러닝 접근법을 제안한다. 일련의 시간적 데이터를 Recurrence Plots, Markov Transition Fields, Gramian Angular Fields 등의 기법을 활용해 2차원 이미지로 변환한 후, 이를 컨볼루션 신경망(CNN)으로 처리함으로써, 실제 5G 전송 데이터셋에서 평균 정규화된 제곱근 평균 제곱오차(NRMSE)가 3.43%에 도달했으며, 파라미터 수가 훨씬 적은데도 불구하고 LSTM 기반 모델보다 약 4배 높은 정확도를 확보했다.

ABSTRACT

Towards the network innovation, the Beyond Five-Generation (B5G) networks envision the use of machine learning (ML) methods to predict the network conditions and performance indicators in order to best make decisions and allocate resources. In this paper, we propose a new ML approach to accomplish predictions in B5G networks. Instead of handling the time-series in the network domain of values, we transform them into image thus allowing to apply advanced ML methods of Computer Vision field to reach better predictions in B5G networks. Particularly, we analyze different techniques to transform time-series of network measures into image representation, e.g., Recurrence Plots, Markov Transition Fields, and Gramian Angular Fields. Then, we apply deep neural networks with convolutional layers to predict different 5G radio signal quality indicators. When comparing with other ML-based solutions, experimental results from 5G transmission datasets showed the feasibility and small prediction errors of the proposed approach.

연구 동기 및 목표

• 동적 B5G 네트워크 환경에서 5G 라디오 신호 품질 지표(CQI, SNR, RSRP 등)의 예측 정확도 향상.
• 고속 이동성 및 고주파수 5G 환경에서의 반응형 네트워크 관리의 한계를 극복하기 위해 기계학습 기반의 사전 예측 의사결정을 가능하게 함.
• 1D 네트워크 시간적 변화 데이터를 2D 이미지 표현으로 변환하는 것이 딥러닝 기반 예측 성능 향상에 기여하는지의 타당성과 성능 평가.
• 기존 1D-CNN 및 LSTM 모델과의 비교를 통해 예측 정확도 및 계산 효율성 측면에서 제안된 이미지 기반 접근법의 성능 평가.

제안 방법

• CQI, SNR, RSRQ, RSRP, RSSI 등의 1D 5G 네트워크 시간적 변화 데이터를 Recurrence Plots(RP), Markov Transition Fields(MTF), Gramian Angular Fields(GAF)의 세 가지 기법을 활용해 2D 이미지 표현으로 변환.
• 생성된 이미지를 사전 학습된 2D 컨볼루션 신경망(CNN)에 입력하여 향후 신호 품질 지표 예측을 위한 회귀 과제 수행.
• 모델 성능 최적화 및 예측 불확실성 평가를 위해 평균 제곱오차(MSE)와 퀀틸 손실 함수를 사용.
• 이동 통신 사업자로부터 확보한 83개의 실세계 5G 데이터셋을 활용해 모델을 훈련 및 평가함. 이는 정적 및 차량 이동 환경을 포함하며, 파일 다운로드 및 동영상 스트리밍 서비스를 수반함.
• 동일한 데이터셋을 기반으로 1D-CNN 및 LSTM 기반 모델과의 성능 비교를 수행하며, NRMSE 및 모델 복잡도(파라미터 수 및 MAC 연산 수) 등의 지표를 사용.
• 학습 수렴 및 일반화 성능 향상을 위해 조기 정지 기법과 학습률 0.001을 사용한 Adam 옵timizer 적용.

실험 결과

연구 질문

• RQ1 1D 네트워크 시간적 변화 데이터를 2D 이미지 표현으로 변환하는 것이 B5G 네트워크에서 5G 라디오 신호 품질 지표의 예측 정확도 향상에 기여하는가?
• RQ2 RP, MTF, GAF와 같은 다양한 이미지 기반 시간적 변화 인코딩 기법 중 어느 것이 후속 CNN 회귀 과제에서 시간적 동역학을 더 잘 유지하는가?
• RQ3 정적 및 차량 이동 환경 조건에서 제안된 이미지 기반 CNN 접근법이 기존의 1D-CNN 및 LSTM 모델보다 얼마나 더 뛰어난 예측 성능을 보이는가?
• RQ4 기존의 시간적 변화 모델 대비 제안된 방법의 예측 정확도와 모델 복잡도(예: 파라미터 수, MAC 연산 수) 간의 상호 상충 관계는 어떠한가?

주요 결과

• 제안된 이미지 기반 딥러닝 접근법은 모든 테스트 환경에서 평균 NRMSE가 3.43%로 나타났으며, 표준편차 0.0139를 기록하여 높은 일관성과 낮은 예측 오차를 보였다.
• LSTM 기반 모델 대비 예측 정확도가 약 4배 높았으며, 평균 NRMSE는 12.3%에서 3.43%로 향상됨.
• 1D-CNN 모델과 유사한 정확도(NRMSE: 2.17%)를 확보했지만, 파라미터 수가 약 29배 적어 계산 효율성이 뛰어나짐.
• 다양한 이미지 변환 기법(RP, MTF, GAF) 간 성능은 유사했으며, MTF 기반 CNN이 평균 NRMSE 3.43%로 가장 우수한 성능 기록.
• 장거리 지표(SNR, RSRP, RSRQ, RSSI)에 대해 예측 오차가 항상 10% 이하로 유지되어 다양한 신호 품질 지표에 대한 강건성을 입증함.
• 정적 및 차량 이동 패턴, 파일 다운로드 및 동영상 스트리밍 애플리케이션 유형에 관계없이 뛰어난 일반화 성능를 보이며, 실세계 적용 가능성 확인함.