[논문 리뷰] Machine Learning Based Cooperative Relay Selection in Virtual MIMO

Kunal Sankhe, Chandan Pradhan외 2명|arXiv (Cornell University)|2015. 06. 05.

Cooperative Communication and Network Coding참고 문헌 16인용 수 12

한 줄 요약

이 논문은 가상 MIMO(V-MIMO) 네트워크에서 행동 패턴을 기반으로 협력할 의향이 있는 릴레이 사용자를 예측하기 위해 기계학습 기반의 협동 릴레이 선택 기법을 제안한다. 인공신경망(ANN)과 서포트 벡터 머신(SVM) 모델을 사용하여 97.56%의 정확도와 2.58%의 평균제곱오차(MSE)를 달성하였으며, 배터리 수준, 시간, 요일, 인centive(인centive) 등을 고려해 가상 안테나 어레이(Virtual Antenna Array) 셀 내에서 비활성 상태인 사용자 중 협력 가능성이 높은 사용자를 사전 예측함으로써 노드 탐색 시간을 29% 감소시켰다.

ABSTRACT

In cellular systems, virtual multiple-input multiple-output (V-MIMO) technology promises to achieve performance gains comparable to conventional MIMO. In this paper, we propose cooperative relay selection algorithm based on machine learning techniques. Willingness of user to cooperate in V-MIMO depends on his current battery power, time and day along with incentives offered by service provider. Every user has different criterion to participate in V-MIMO, but allows a specific behavior pattern. Therefore, it is required to predict willing users in the neighborhood of source user (SU), before selecting users as cooperative nodes. Only inactive users belonging to Virtual Antenna Array (VAA) cell of SU are assumed to cooperate. This reduces control overheads in cooperative node discovery. In this paper, we employ prediction algorithm using two machine learning techniques i.e. ANN and SVM to find out inactive willing users within VAA cell. The parameters such as MSE, accuracy, precision and recall are calculated to evaluate performance of ANN and SVM model. Prediction using ANN has MSE of 3% with average accuracy of 97% (variance 0.37), whereas SVM has MSE of 2.58% with average accuracy of 97.56% (variance 0.17). We also observe that proposed prediction method reduces the node discovery time by approximately 29%.

연구 동기 및 목표

• 릴레이 선택 이전에 협력 의향이 있는 사용자를 사전 예측하여 V-MIMO의 제어 오버헤드를 감소시키기 위해.
• 배터리 수준, 시간, 요일, 인centive 등 동적 요소를 기반으로 사용자 협력 의도를 모델링하기 위해.
• 가상 안테나 어레이(VAA) 셀 내 잠재적 협력 노드를 사전 식별함으로써 탐색 지연을 최소화하기 위해.
• 기계학습 모델인 ANN과 SVM의 성능을 평가하고 비교하기 위해.
• 데이터 기반 예측을 활용해 효율적이고 확장 가능한 V-MIMO 시스템 내 협동 릴레이 선택을 가능하게 하기 위해.

제안 방법

• 시스템은 원천 사용자 소속의 가상 안테나 어레이(VAA) 셀 내 비활성 사용자의 협력 의도를 기계학습 모델을 통해 예측한다.
• 입력 특징으로는 사용자 배터리 수준, 일일 시간대, 요일, 서비스 제공자로부터 제공된 인centive가 포함된다.
• 인공신경망(ANN)과 서포트 벡터 머신(SVM)이라는 두 가지 모델을 사용하여 사용자를 협력 가능 또는 불가능으로 분류하도록 훈련시킨다.
• 모델 성능 평가에 평균제곱오차(MSE), 정확도, 정밀도, 재현율 등의 지표를 사용한다.
• 협력 대상으로 고려되는 사용자는 모두 동일한 VAA 셀 내에 있는 사용자들로 제한되며, 이는 탐색 복잡도와 제어 오버헤드를 감소시킨다.
• 릴레이 선택 이전에 예측을 수행함으로써 더 빠르고 효율적인 노드 탐색이 가능해진다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 V-MIMO 네트워크에서 비활성 사용자 중 협력 가능성이 높은 사용자를 정확하게 예측할 수 있는가?
• RQ2 ANN과 SVM 모델은 동적 사용자 특성 기반으로 사용자 협력 의도를 예측할 때 어떻게 비교되는가?
• RQ3 예측 기반 릴레이 선택은 V-MIMO 시스템에서 제어 오버헤드와 탐색 시간을 얼마나 감소시키는가?
• RQ4 배터리 수준, 시간, 인centive 등의 요소가 V-MIMO 환경에서 사용자 협력 행동에 어떤 영향을 미치는가?
• RQ5 예측 모델링은 V-MIMO에서 협동 릴레이 선택의 확장성과 효율성을 향상시킬 수 있는가?

주요 결과

• SVM은 ANN보다 더 낮은 평균제곱오차(MSE) 2.58%를 기록하여 ANN의 3%보다 우수한 성능을 보였다.
• SVM은 평균 정확도 97.56%와 분산 0.17을 기록하였으며, ANN의 97% 정확도와 0.37 분산보다 높은 성능을 보였다.
• 예측 기반 방법은 협력 노드 탐색 시간을 약 29% 감소시켰다.
• 두 모델 모두 높은 정밀도와 재현율을 보이며, 협력 의도가 있는 사용자의 신뢰성 있는 분류가 가능했다.
• 기계학습의 활용으로 VAA 셀 내 잠재적 협력 릴레이 노드를 효율적이고 저오버헤드로 식별할 수 있었다.
• 결과적으로 사용자 협력 행동은 배터리 수준, 시간, 인centive 등의 맥락적 특징을 통해 예측 가능하다는 것이 확인되었다.