[논문 리뷰] Integrated Methodology to Cognitive Network Slice Management in Virtualized 5G Networks

Xenofon Vasilakos, Navid Nikaein외 3명|arXiv (Cornell University)|2020. 05. 11.

Software-Defined Networks and 5G참고 문헌 23인용 수 10

한 줄 요약

이 논문은 가상화된 5G 네트워크에서 인지 네트워크 및 슬라이스 관리(CNSM)를 위한 통합적이고 네 단계로 구성된 방법론을 제안한다. 기계학습(ML) 모델을 활용해 사전 대응 제어 및 이면 감지 기능을 수행하며, 5G 인지 워크플로우, 네 단계 인지 슬라이스 관리(4-CSM) 및 사전 제어 방식(PCS)을 결합하여 동적이고 다중 테넌트 환경에서 슬라이스 SLA를 자동으로 유지하고 자원 할당을 최적화하며 QoE를 향상시킨다. 실제 5G RAN 데이터를 활용한 eHealth 사례를 통해 검증되었다.

ABSTRACT

Fifth Generation (5G) networks are envisioned to be fully autonomous in accordance to the ETSI-defined Zero touch network and Service Management (ZSM) concept. To this end, purpose-specific Machine Learning (ML) models can be used to manage and control physical as well as virtual network resources in a way that is fully compliant to slice Service Level Agreements (SLAs), while also boosting the revenue of the underlying physical network operator(s). This is because specially designed and trained ML models can be both proactive and very effective against slice management issues that can induce significant SLA penalties or runtime costs. However, reaching that point is very challenging. 5G networks will be highly dynamic and complex, offering a large scale of heterogeneous, sophisticated and resource-demanding 5G services as network slices. This raises a need for a well-defined, generic and step-wise roadmap to designing, building and deploying efficient ML models as collaborative components of what can be defined as Cognitive Network and Slice Management (CNSM) 5G systems. To address this need, we take a use case-driven approach to design and present a novel Integrated Methodology for CNSM in virtualized 5G networks based on a concrete eHealth use case, and elaborate on it to derive a generic approach for 5G slice management use cases. The three fundamental components that comprise our proposed methodology include (i) a 5G Cognitive Workflow model that conditions everything from the design up to the final deployment of ML models; (ii) a Four-stage approach to Cognitive Slice Management with an emphasis on anomaly detection; and (iii) a Proactive Control Scheme for the collaboration of different ML models targeting different slice life-cycle management problems.

연구 동기 및 목표

• 가상화된 환경에서 자원 소비가 크고 엄격한 SLA 요구사항을 갖는 이질적이고 동적인 5G 네트워크 슬라이스를 관리하는 데 점점 증가하는 복잡성을 해결하기 위해.
• 기존 문헌에서의 격차를 메우기 위해, 기계학습 기반의 인지 네트워크 및 슬라이스 관리 시스템을 설계, 구현, 운영하기 위한 체계적이고 일반화되며 재사용 가능한 방법론을 제공하기 위해.
• 성능 저하가 발생하기 전에 이를 예측하고 완화할 수 있도록 사전 대응 기계학습 모델을 통합함으로써 5G에서 Zero Touch Network and Service Management(ZSM)를 실현하기 위해.
• 물리적 및 가상 네트워크 기능 간의 효율적이고 자율적인 조율을 가능하게 하여 다중 테넌트 5G 네트워크 환경에서 서비스 수준 보장을 보장하기 위해.
• 응급차 기반 원격의료를 포함한 실세계 eHealth 사례를 통해 방법론을 검증하여 환자 데이터 기밀성을 해치지 않으면서도 높은 QoE를 유지를 가능하게 하기 위해.

제안 방법

• 이 방법론은 기계학습 모델의 전 주기적 라이프사이클(설계, 훈련, 구현, 모니터링)을 지도하는 5G 인지 워크플로우 모델에 기반하며, 네트워크 및 서비스 요구사항과의 일치를 보장한다.
• 인지 슬라이스 관리(4-CSM)를 위한 네 단계 접근 방식이 도입되었으며, 이는 이상 탐지에 중점을 두고 있으며, 모니터링, 분석, 계획, 실행(MAPE-K) 단계를 포함하여 사전 적응을 가능하게 한다.
• 사전 제어 방식(PCS)은 다양한 기계학습 모델을 통합하며, 넓은 대역 CQI(wbCQI) 예측을 위한 복합 회귀 모델을 포함하여 QoS 유지를 위한 조치(예: 대역폭 조정)를 유도한다.
• PCS는 두 가지 모드로 작동한다: wbCQI 예측 모델이 직접 조치를 공급하는 ‘예측(‘Predict’)’ 구성요소 또는 이상 탐지나 분류 모델과 같은 다른 모델을 지원하는 ‘모니터링(‘Monitor’)’ 구성요소.
• 이 방법론은 Mosaic-5G 플랫폼과 SlisceNet 프로젝트에서 확보한 실제 5G 모니터링 데이터를 활용하며, RSRP, RSRQ, SINR와 같은 OpenAirInterface(OAI) 및 RAN 수준 메트릭스를 포함한다.
• LSTM, XGBoost, LASSO와 같은 다양한 기계학습 모델을 통합할 수 있으며, 이는 회귀, 이상 탐지, 특징 선택에 활용되며, 실제 대비 예측된 wbCQI 값 간의 차이를 기반으로 지속적인 오프라인 모델 업데이트를 지원한다.

실험 결과

연구 질문

• RQ1 가상화된 5G 네트워크에서 인지 네트워크 및 슬라이스 관리(CNSM)에 기계학습 모델을 통합하기 위한 체계적이고 재사용 가능한 방법론을 어떻게 설계할 수 있는가?
• RQ2 다양하고 동적인 조건에서 5G 네트워크 슬라이스의 사전 대응 및 자율적 관리를 가능하게 하는 데 이상 탐지 기능이 수행하는 역할은 무엇인가?
• RQ3 사전 제어 방식(PCS)은 다수의 기계학습 모델을 어떻게 효과적으로 조율하여 종단 간 슬라이스 전반에서 SLA 준수와 QoS 최적화를 달성하는가?
• RQ4 기계학습 기반의 wbCQI 예측은 eHealth 원격의료와 같은 임무 중심 5G 사용 사례에서 네트워크 자원 할당 및 QoE를 어떻게 향상시킬 수 있는가?
• RQ5 실세계 5G RAN 모니터링 데이터는 어떻게 활용되어 기밀성 보장을 유지하면서도 인지 네트워크 관리를 위한 기계학습 모델을 훈련하고 검증하는 데 기여하는가?

주요 결과

• 제안된 방법론은 워크플로우 설계, 단계적 인지 관리, 다중 모델 사전 제어 방식을 통합한 프레임워크를 통해 5G 네트워크 슬라이스의 자율적이고 사전 대응 가능한 관리를 성공적으로 실현하였다.
• wbCQI 예측을 위한 복합 회귀 모델은 높은 정확도를 달성하였으며, RMSE 및 MAPE 지표를 통해 강력한 예측 성능을 입증하였다. 다만, 요약문에서는 정확한 수치가 기재되지 않았다.
• 이상 탐지 및 군집 모델은 복합 회귀 모델에서 추출한 특징을 활용하여 워크플로우에 성공적으로 통합되었으며, 네트워크 성능 저하를 조기에 식별하는 데 기여하였다.
• 실제 대비 예측된 wbCQI 값 간의 차이를 기반으로 지속적인 오프라인 모델 재학습을 지원하여 변화하는 네트워크 조건에 대한 지속적인 개선과 적응을 보장하였다.
• 응급차 기반 원격의료를 포함한 실세계 eHealth 사례를 통해 방법론이 검증되었으며, 환자 데이터 기밀성에 위협을 주지 않으면서도 높은 QoE를 유지할 수 있음을 입증하였다.
• 저자들은 실제 및 처리된 5G RAN 모니터링 데이터 세트를 CRAWDAD에 기부하여 향후 연구자들이 실세계 5G 데이터에 접근할 수 있도록 기여하였다.