[논문 리뷰] Dynamic Virtual Resource Allocation for 5G and Beyond Network Slicing

Fei Song, Jun Li외 4명|arXiv (Cornell University)|2020. 03. 29.

Software-Defined Networks and 5G참고 문헌 29인용 수 6

한 줄 요약

이 논문은 5G 및 그 이상의 네트워크 슬라이싱을 위한 동적 가상 자원 할당 기법을 제안하며, 제약 조건이 있는 마르코프 결정 과정(CMDP) 프레임워크를 사용하여 업링크 RAN 슬라이싱에서 서브채널 할당과 전력 제어를 최적화한다. 각 슬라이스의 Q-팩터 분해와 함께 온라인 스토케스틱 학습을 활용한 근사 동적 프로그래밍을 통해 지연 제약을 충족하면서도 높은 가중합전송률을 달성하며, 시뮬레이션에서 기준 방법보다 뛰어난 성능을 보인다.

ABSTRACT

The fifth generation and beyond wireless communication will support vastly heterogeneous services and use demands such as massive connection, low latency and high transmission rate. Network slicing has been envisaged as an efficient technology to meet these diverse demands. In this paper, we propose a dynamic virtual resources allocation scheme based on the radio access network (RAN) slicing for uplink communications to ensure the quality-of-service (QoS). To maximum the weighted-sum transmission rate performance under delay constraint, formulate a joint optimization problem of subchannel allocation and power control as an infinite-horizon average-reward constrained Markov decision process (CMDP) problem. Based on the equivalent Bellman equation, the optimal control policy is first derived by the value iteration algorithm. However, the optimal policy suffers from the widely known curse-of-dimensionality problem. To address this problem, the linear value function approximation (approximate dynamic programming) is adopted. Then, the subchannel allocation Q-factor is decomposed into the per-slice Q-factor. Furthermore, the Q-factor and Lagrangian multipliers are updated by the use of an online stochastic learning algorithm. Finally, simulation results reveal that the proposed algorithm can meet the delay requirements and improve the user transmission rate compared with baseline schemes.

연구 동기 및 목표

• 다양한 QoS 요구사항을 충족시키기 위해 5G 및 그 이상의 네트워크 슬라이싱에서 동적으로 가상 자원을 할당하는 문제를 해결하기 위해.
• eMBB, URLLC, mMTC와 같은 이질적 서비스에 대해 엄격한 지연 제약 조건 하에서 업링크 전송률을 최적화하기 위해.
• 동적 자원 할당에 내재된 고차원 CMDP 문제를 해결하는 데서 계산 복잡도를 감소시키기 위해.
• 온라인 학습과 가치 함수 근사를 통해 서브채널 및 전력 할당을 효율적이고 실시간으로 적응시키기 위해.

제안 방법

• 무한 시간 할당 보상 제약 조건이 있는 마르코프 결정 과정(CMDP)으로 공동 서브채널 할당 및 전력 제어 문제를 수식화한다.
• 등가 벨먼 방정식과 값 반복 알고리즘을 사용하여 최적의 제어 정책을 유도한다.
• 차원의 저주를 완화하기 위해 선형 가치 함수 근사(근사 동적 프로그래밍)를 적용한다.
• 서브채널 할당 Q-팩터를 각 슬라이스의 Q-팩터로 분해하여 계산 복잡도를 감소시킨다.
• 실시간으로 Q-팩터와 라그랑주 승수를 반복적으로 갱신하기 위해 온라인 스토케스틱 학습 알고리즘을 활용한다.
• 적응형 자원 제어를 위해 채널 상태 정보(CSI), 큐 상태 정보(QSI), 에너지 상태 정보(ESI)를 통합한다.

실험 결과

연구 질문

• RQ1 지연 제약 조건 하에서 가중합전송률을 최대화하기 위해 RAN 슬라이싱에서 동적 가상 자원 할당을 어떻게 최적화할 수 있는가?
• RQ2 CSI, QSI, ESI를 통합할 경우 이질적 5G 서비스의 자원 할당 성능에 어떤 영향을 미치는가?
• RQ3 성능을 희생시키지 않고 CMDP를 해결하는 데서 계산 복잡도를 어떻게 줄일 수 있는가?
• RQ4 제안된 온라인 학습 알고리즘이 정적 또는 히وري스틱 기준 대비 수렴 정도와 QoS 향상 정도는 어느 정도인가?

주요 결과

• 제안된 기법은 기준 1(등비 할당)과 기준 2(CSI 및 QSI만 사용)보다 더 높은 가중합전송률을 달성하며, 특히 고부하 환경에서 뚜렷한 성능 향상을 보인다.
• 배터리 용량이 증가할수록 각 슬라이스의 전송률이 증가하며, 제한된 에너지 가용성 하에서도 제안된 기법이 기준보다 뛰어난 성능을 보인다.
• 평균 패킷 도착률이 3를 초과하면 mMTC 슬라이스의 버림 확률이 급격히 증가하지만, 제안된 기법은 기준 대비 이 영향을 줄인다.
• 온라인 스토케스틱 학습 알고리즘의 수렴 속도가 빠르며, 80회 반복 시점에서 이미 수렴된 값에 가까운 성능을 보이며 실시간 적용 가능성을 입증한다.
• 이론적 상한선에 점차 수렴하여 시뮬레이션에서 거의 최적의 성능을 달성함을 보였다.
• Q-팩터를 각 슬라이스 구성 요소로 분해함으로써 계산 복잡도를 효과적으로 감소시키면서도 높은 성능를 유지함을 입증했다.