[논문 리뷰] DeepAuto: A Hierarchical Deep Learning Framework for Real-Time Prediction in Cellular Networks

Abhijeet Bhorkar, Ke Zhang외 1명|arXiv (Cornell University)|2019. 12. 12.

Advanced MIMO Systems Optimization참고 문헌 9인용 수 4

한 줄 요약

DeepAuto는 스택형 LSTM과 피드포워드 네트워크를 사용하여 실시간으로 셀룰러 네트워크 KPI를 예측하는 계층적 딥러닝 프레임워크이다. 이는 시공간 패턴과 외부 요인을 모두 포착한다. 장기적인 셀 부하 예측에서 기준선 대비 최대 32% 낮은 RMSE를 달성했고, 무선 품질 예측에서는 KL 발산이 75% 향상되었다.

ABSTRACT

Accurate real-time forecasting of key performance indicators (KPIs) is an essential requirement for various LTE/5G radio access network (RAN) automation. However, an accurate prediction can be very challenging in large-scale cellular environments due to complex spatio-temporal dynamics, network configuration changes and unavailability of real-time network data. In this work, we introduce a reusable analytics framework that enables real-time KPI prediction using a hierarchical deep learning architecture. Our prediction approach, namely DeepAuto, stacks multiple long short-term memory (LSTM) networks horizontally to capture instantaneous, periodic and seasonal patterns in KPI time-series. It further merge with feed-forward networks to learn the impact of network configurations and other external factors. We validate the approach by predicting two important KPIs, including cell load and radio channel quality, using large-scale real network streaming measurement data from the operator. For cell load prediction, DeepAuto model showed up to 15% improvement in Root Mean Square Error (RMSE) compared to naive method of using recent measurements for short-term horizon and up to 32% improvement for longer-term prediction.

연구 동기 및 목표

• 대규모이고 동적인 LTE/5G 무선 액세스 네트워크에서 핵심 성능 지표(KPI)의 정확한 실시간 예측에 도전한다.
• 기존의 시계열 및 머신러닝 모델이 다중 스케일 시간 동적 패턴, 공간 상관관계, 네트워크 구성 및 사건과 같은 외부 요인을 다루는 데 한계가 있음을 극복한다.
• 모든 셀에서 개별 셀 모델 학습 없이도 저지연, 고정확도 예측을 가능하게 하는 확장성 있고 재사용 가능한 프레임워크를 개발한다.
• 국가 규모의 eNB에서 오는 실시간 스트리밍 데이터를 최소한의 지연으로 통합하여 능동적인 네트워크 최적화 및 자동화를 지원한다.
• 두 가지 핵심 KPI인 셀 부하와 무선 신호 품질(RSRQ)에 대해 프레임워크를 검증하여 기준선 방법 대비 뛰어난 성능을 입증한다.

제안 방법

• KPI 시계열에서 순순간적, 주기적(일일/주간), 계절적(월간/연간) 시간 패턴을 모델링하기 위해 수평으로 스택된 장기적 단기 기억(LSTM) 네트워크를 사용하는 계층적 딥러닝 아키텍처를 적용한다.
• 네트워크 구성, 요일, 시간대, 분대 시간 등의 외부 요인을 인코딩하기 위해 피드포워드 신경망을 통합한다.
• 국가 규모의 eNodeB에서 오는 저지연 데이터 수신을 위해 실시간 Apache Kafka 스트림을 사용하며, 네트워크 관리 시스템 근처의 지역 센터에서 처리한다.
• RSRQ의 분포 예측을 위한 손실 함수로 쿨백-라이블러(KL) 발산을 사용하고, 셀 부하 예측에는 RMSE/MAE/MAPE를 사용한다.
• 클러스터나 셀 단위의 모델이 아닌, 각 NMS당 하나의 글로벌 모델을 배포하여 저지연성과 확장성을 유지한다.
• 지속적인 예측 정확도를 확보하기 위해 트래픽 추세와 네트워크 변화에 적응하기 위해 모델을 정기적으로 재학습한다.

실험 결과

연구 질문

• RQ1 통합된 딥러닝 프레임워크가 셀룰러 네트워크 KPI에서 다중 스케일 시간 동적 패턴(순순간적, 주기적, 계절적)을 효과적으로 포착할 수 있는가?
• RQ2 네트워크 구성, 시간대, 휴일 등의 외부 요인을 통합할 경우 셀 부하와 RSRQ 예측 정확도에 어떤 영향을 미치는가?
• RQ3 대규모 네트워크에서 셀 간 공간 상관관계가 예측 성능 향상에 어느 정도 기여하는가?
• RQ4 제안된 계층적 딥러닝 모델은 전통적인 시계열 모델(예: ARIMA)과 감독학습 기반 기준선 대비 실시간 KPI 예측에서 어떤가?
• RQ5 하나의 글로벌 모델이 개별 셀 모델 학습 없이도 모든 셀에서 저지연, 고정확도 예측을 달성할 수 있는가?

주요 결과

• DeepAuto는 최근 측정값을 기준선으로 사용할 경우, 단기(1분) 셀 부하 예측에서 RMSE를 최대 15% 감소시키고, 장기(1시간) 예측에서는 최대 32% 감소시켰다.
• 무선 신호 품질(RSRQ) 예측에서 DeepAuto는 KL 발산 0.0353을 달성했으며, 이는 이전 시간대의 값을 그대로 사용하는 나이브 방법( KL = 0.14 ) 대비 75% 향상된 결과이다.
• 주기적 및 계절적 패턴을 모델에 통합함으로써 RSRQ 예측 정확도가 향상되었으며, 모든 시간 성분을 포함했을 때 KL 발산이 0.038에서 0.0353으로 감소했다.
• 셀 간 공간 관계를 활용하는 것이 일관되게 성능 향상을 이끌지는 못했고, 이에 따라 확장성과 지연 제어를 위해 각 NMS당 하나의 글로벌 모델을 배포하기로 결정했다.
• 프레임워크는 고차원 입력 데이터를 성공적으로 처리했으며, 1,500개 이상의 셀에서 오는 실시간 스트리밍 데이터를 사용해 저지연 예측을 유지했다.
• 성능 지표(RMSE, MAE, MAPE)는 다양한 예측 수렴 기간 동안 안정적으로 유지되었으며, 셀 부하 예측의 경우 RMSE는 1분 시점에서 0.083, 15분에서 0.066, 1시간에서 0.067이었다.