[논문 리뷰] Deep Learning in Mobile and Wireless Networking: A Survey

Chaoyun Zhang, Paul Patras외 1명|arXiv (Cornell University)|2018. 03. 12.

IoT and Edge/Fog Computing참고 문헌 335인용 수 128

한 줄 요약

본 고찰은 딥 러닝이 모바일 및 무선 네트워킹에 어떻게 적용되는지 다루며, 모델, 배포 플랫폼, 응용 분야, 맞춤화 접근법, 그리고 개방형 도전 과제를 포함한다.

ABSTRACT

The rapid uptake of mobile devices and the rising popularity of mobile applications and services pose unprecedented demands on mobile and wireless networking infrastructure. Upcoming 5G systems are evolving to support exploding mobile traffic volumes, agile management of network resource to maximize user experience, and extraction of fine-grained real-time analytics. Fulfilling these tasks is challenging, as mobile environments are increasingly complex, heterogeneous, and evolving. One potential solution is to resort to advanced machine learning techniques to help managing the rise in data volumes and algorithm-driven applications. The recent success of deep learning underpins new and powerful tools that tackle problems in this space. In this paper we bridge the gap between deep learning and mobile and wireless networking research, by presenting a comprehensive survey of the crossovers between the two areas. We first briefly introduce essential background and state-of-the-art in deep learning techniques with potential applications to networking. We then discuss several techniques and platforms that facilitate the efficient deployment of deep learning onto mobile systems. Subsequently, we provide an encyclopedic review of mobile and wireless networking research based on deep learning, which we categorize by different domains. Drawing from our experience, we discuss how to tailor deep learning to mobile environments. We complete this survey by pinpointing current challenges and open future directions for research.

연구 동기 및 목표

• 딥 러닝과 모바일/무선 네트워킹 사이의 격차를 해소하고 향후 네트워크에서의 활용을 촉진한다.
• 네트워킹 적용 가능성이 있는 딥 러닝 기술에 대한 최신의 백과사전적 리뷰를 제공한다.
• 모바일 시스템에서 딥 러닝을 배포하기 위한 실질적 지원 요소(소프트웨어/하드웨어, 플랫폼)에 대해 논의한다.
• 모바일 네트워킹 과제에 맞춰 딥 러닝 모델을 맞춤화하기 위한 지침을 제시하고 개방형 도전 과제와 방향을 식별한다.

제안 방법

• 모바일 및 무선 네트워킹과 관련된 최첨단 딥 러닝 모델을 분류하고 검토한다.
• 네트워크 분석 및 관리와의 관련성을 설명하기 위해 핵심 DL 개념을 설명한다.
• 아키텍처를 비교하고 네트워킹 문제를 위한 모델 선택 지침을 제공한다.
• 트래픽 분석, 보안, 관리 등과 같은 영역에서 DL 기반 응용 사례를 조사한다.
• 모바일 네트워킹 문제에 맞게 DL 모델을 맞춤화하는 방법을 논의하고 개방형 연구 방향을 제시한다.

실험 결과

연구 질문

• RQ1 모바일 네트워킹 문제 해결에 딥 러닝이 왜 유망한가?
• RQ2 모바일 및 무선 네트워킹에 관련된 최첨단 딥 러닝 모델은 무엇인가?
• RQ3 모바일 네트워크 도메인에서 가장 최근의 성공적인 딥 러닝 응용 사례는 무엇인가?
• RQ4 연구자들이 특정 모바일 네트워킹 문제에 딥 러닝을 어떻게 맞춤화할 수 있는가?
• RQ5 추가 연구를 위한 가장 중요하고 유망한 방향은 무엇인가?

주요 결과

• 딥 러닝은 특징 추출을 자동화하여 이질적인 모바일 데이터에서 손으로 설계한 특징의 필요성을 줄인다.
• 딥 러닝은 대규모 데이터에 규모를 확장하고 확률적 경사 하강법(SGD)을 활용한 확장 가능한 학습으로 대규모 데이터셋의 과적합을 완화한다.
• 딥 러닝은 비지도학습이나 준지도학습 방법을 사용해 라벨이 없는 데이터나 부분적으로 라벨이 있는 데이터에서 학습을 가능하게 한다.
• 딥 러닝이 학습한 표현은 작업 간에 공유될 수 있어 재학습 필요를 줄인 다중 작업 학습을 가능하게 한다.
• 그래프나 포인트 클라우드 같은 기하 데이터에 대한 특화된 DL 아키텍처가 모바일 데이터 표현에 적합하다.
• 본 고찰은 또한 한계와 개방형 도전 과제를 식별하고 향후 연구 방향을 제시한다.