[논문 리뷰] Mobility-Aware Analysis of 5G and B5G Cellular Networks: A Tutorial

Hina Tabassum, Mohammad Salehi외 1명|arXiv (Cornell University)|2018. 05. 07.

Advanced MIMO Systems OptimizationEngineering참고 문헌 67인용 수 18

한 줄 요약

이 튜토리얼은 스토하스틱 기하학과 이동성 모델을 활용하여 5G 및 그 이상의 이동성 인식 성능 분석 프레임워크를 제시한다. 핸드오프 빈도, 커버리지 확률, 체류 시간과 같은 핵심 지표를 평가한다. 궤적 기반 및 연결/핸드오프 기반의 두 가지 분석 접근법을 도입하여 무작위 및 비무작위 네트워크 토폴로지에서의 응용을 시연하며, 육각형 및 정사각형 격자, 그리고 포아송 점 프로세스 기반 배치에 대해 시뮬레이션과 수치 결과를 통해 검증한다.

ABSTRACT

Providing network connectivity to mobile users is a key requirement for cellular wireless networks. User mobility impacts network performance as well as user perceived service quality. For efficient network dimensioning and optimization, it is therefore required to characterize the mobility-aware network performance metrics such as the handoff rate, handoff probability, sojourn time, direction switch rate, and users' throughput or coverage. This characterization is particularly challenging for heterogeneous, dense/ultra-dense, and random cellular networks such as the emerging 5G and beyond 5G (B5G) networks. In this article, we provide a tutorial on mobility-aware performance analysis of both the spatially random and non-random, single-tier and multi-tier cellular networks. We first provide a summary of the different mobility models which include purely random models, spatially correlated, and temporally correlated models. The differences among various mobility models, their statistical properties, and their pros and cons are presented. We then describe two main analytical approaches for mobility-aware performance analysis of both random and non-random cellular networks. For the first approach, we describe a general methodology and present several case studies for different cellular network tessellations such as square lattice, hexagon lattice, single-tier and multi-tier models in which base-stations (BSs) follow a homogeneous Poisson Point Process (PPP). For the second approach, we also outline the general methodology. In addition, we discuss some limitations/imperfections of the existing techniques and provide corrections to these imperfections. Finally, we point out specific 5G application scenarios where the impact of mobility would be significant and outline the challenges associated with mobility-aware analysis of those scenarios.

연구 동기 및 목표

• 밀도가 높고 이질적이며 초고밀도인 5G/B5G 네트워크에서 사용자 이동성을 모델링하는 데 있어 핵심 과제를 해결하여 네트워크 성능과 QoS를 향상시킨다.
• 공간적으로 무작위 및 구조적인 셀룰러 배치에서 이동성 인식 지표인 핸드오프 빈도, 핸드오프 확률, 체류 시간 및 방향 전환 빈도를 특성화한다.
• 이동성 모델(무작위, 공간/시간적으로 관련된)과 분석 기법(궤적 기반 및 연결/핸드오프 기반) 간의 체계적 비교를 제공하여 성능 평가에 기여한다.
• 기존 분석 방법의 한계를 규명하고 네트워크 성능에 대한 이동성 영향을 더 정확하게 모델링하기 위한 수정 사항을 제안한다.
• 드론(UAV), 차량 간 통신(V2X), 네트워크 슬라이싱과 같은 신규 5G 사용 사례에서의 이동성 영향을 탐색하고, SDN 및 머신러닝을 활용한 적응형 솔루션을 제안한다.

제안 방법

• 순수 무작위 이동성 모델(예: 무작위 보행, 무작위 경로), 공간적으로 관련된 모델(예: 추적, 열기), 시간적으로 관련된 모델(예: 가우스-마르코프, 레비 비행)으로 이동성 모델을 분류하고 통계적 성질과 네트워크 모델링에의 적합성을 분석한다.
• 기지국(BS)이 동질적 포아송 점 프로세스(PPP)로 분포된 단일 및 다중 티어 셀룰러 네트워크에서 사용자 이동성을 모델링하기 위해 스토하스틱 기하학을 활용한 궤적 기반 분석 접근법을 개발한다.
• 신호 세기 기반 핸드오프 결정 및 사용자 이동 패턴을 중심으로 핸드오프 동역학과 커버리지 확률을 평가하기 위해 연결/핸드오프 기반 분석 방법을 구현한다.
• 다양한 네트워크 테셀레이션(육각형, 정사각형 격자)과 배치 시나리오(단일 티어, 다중 티어)에서 수치 결과와 시뮬레이션을 통해 분석 모델을 校정한다.
• 신호 전송 오버헤드를 줄이고 핸드오프 효율성을 향상시키기 위해 자동 이웃 관계(ANR) 및 분리된 제어/데이터 평면 아키텍처를 포함한 SDN 기반 이동성 관리 기법을 통합한다.
• 분석 모델이 비가역적인 복잡한 밀도 높은 5G/B5G 환경에서, 학습 및 테스트 데이터 세트를 활용한 모델 최적화를 위해 데이터 기반 딥러닝 모델(예: DNN, 오토에인코더, RNN)을 적용하여 이동 패턴과 네트워크 성능 지표를 예측한다.

실험 결과

연구 질문

• RQ1 무작위, 공간적으로 관련, 시간적으로 관련된 이동성 모델이 5G/B5G 네트워크에서 핸드오프 빈도 및 커버리지 확률과 같은 핵심 성능 지표에 미치는 영향은 어떠한가?
• RQ2 무작위 및 비무작위 셀룰러 토폴로지에서 이동성 인식 성능을 모델링할 때 궤적 기반 접근법과 연결/핸드오프 기반 접근법의 상대적 강점과 한계는 무엇인가?
• RQ3 사용자 이동성이 네트워크 슬라이싱에 미치는 영향은 무엇인가, 특히 eMBB 대비 mMTC와 같은 다양한 네트워크 슬라이스 간 핸드오프 빈도와 신호 전송 오버헤드 측면에서 어떻게 나타나는가?
• RQ4 SDN 기반 제어 평면 분리 기법이 초고밀도 네트워크에서 고속 이동 사용자에게 핸드오프 신호 전송 오버헤드를 얼마나 줄이고 QoS를 향상시킬 수 있는가?
• RQ5 분석 모델이 비가역적인 복잡한 밀도 높은 5G/B5G 환경에서 딥러닝 모델이 이동 패턴과 네트워크 성능 지표를 정확하게 예측할 수 있는가?

주요 결과

• 5G/B5G 네트워크에서 핸드오프 빈도와 커버리지 확률은 이동 패턴에 크게 영향을 받으며, 고속 이동 사용자는 정적 또는 저속 이동 사용자보다 훨씬 높은 핸드오프 빈도를 경험한다.
• PPP 기반 모델은 SINR 커버리지 확률에 대해 낙관적인 하한선을 제공하며, 육각형 격자 모델은 낙관적인 상한선을 제공한다. 이는 스토하스틱 기하학을 활용한 해석 가능한 성능 평가에 대한 타당성을 입증한다.
• 분리된 제어 및 데이터 평면 아키텍처는 고속 사용자에 대해 핸드오프 빈도를 최대 50%까지 감소시켜 신호 전송 오버헤드를 크게 줄이고 QoS를 향상시킨다.
• 이동성 인식 캐싱 전략은 이동 사용자와 기지국 간의 무작위 접촉 지속 시간을 고려하여 캐시 히트 확률을 향상시키며, 특히 영상 스트리밍 시나리오에서 효과적이다.
• 분석 모델이 비가역적인 환경에서는 데이터 기반 딥러닝 모델(예: RNN, DNN)이 이동 패턴과 네트워크 성능 지표를 효과적으로 예측할 수 있으나, 대규모 학습 데이터 세트와 철저한 아키텍처 튜닝이 필요하다.
• 5G/B5G 네트워크의 네트워크 슬라이싱는 다양한 이동성 요구사항을 관리하기 위해 적응형 핸드오프 임계값과 다중 RAT 조율이 필요하며, 특히 URLLC 및 mMTC 서비스에서 중요하다.