[논문 리뷰] Predicting Channel Quality Indicators for 5G Downlink Scheduling in a Deep Learning Approach

Hao Yin, X.P. Guo외 3명|arXiv (Cornell University)|2020. 08. 03.

Advanced MIMO Systems Optimization참고 문헌 6인용 수 12

한 줄 요약

이 논문은 5G 뉴 라디오(NR) 다운링크 스케줄링에서 고속 이동성 환경에서의 오래된 CQI 문제를 해결하기 위해 LSTM 기반 딥러닝 방법을 제안한다. 이 방법은 ns-3 시뮬레이션 프레임워크 내에서 온라인 학습을 통합하여, LSTM이 FNN보다 CQI 예측 정확도와 시스템 스루풋에서 뛰어난 성능을 보이며, 최대 70 m/s 속도에서도 유의미한 성능 향상을 보인다.

ABSTRACT

5G networks provide more bandwidth and more complex control to enhance user's experiences, while also requiring a more accurate estimation of the communication channels compared with previous mobile networks. In this paper, we propose a channel quality indicator (CQI) prediction method in a deep learning approach in that a Long Short-Term Memory (LSTM) algorithm. An online training module is introduced for the downlink scheduling in the 5G New Radio (NR) system, to reduce the negative impact of outdated CQI for communication degradation, especially in high-speed mobility scenarios. First, we analyze the impact of outdated CQI in the downlink scheduling of the 5G NR system. Then, we design a data generation and online training module to evaluate our prediction method in ns-3. The simulation results show that the proposed LSTM method outperforms the Feedforward Neural Networks (FNN) method on improving the system performance of the downlink transmission. Our study may provide insights into designing new deep learning algorithms to enhance the network performance of the 5G NR system.

연구 동기 및 목표

• 고속 이동성 조건에서 오래된 CQI로 인한 성능 저하 문제를 해결하기 위해.
• 딥러닝 기반 CQI 예측 방법을 평가하기 위한 반복 가능하고 오픈소스인 ns-3 기반 시뮬레이션 프레임워크를 설계하기 위해.
• 채널 품질 데이터의 시간적 의존성을 활용하여 CQI 예측 정확도와 시스템 스루풋을 향상시키기 위해.
• 다양한 이동성 조건에서 LSTM과 FNN의 CQI 예측 효과성을 평가하기 위해.

제안 방법

• 딥러닝 모델을 사용한 실시간 CQI 예측을 가능하게 하기 위해, ns-3 시뮬레이터에 온라인 학습 모듈을 통합하였다.
• LSTM 모델은 과거 CQI 보고서를 기반으로 시간적 동적 특성을 학습하여 향후 CQI 값을 예측하도록 훈련된다.
• ns-3 내부의 데이터 생성 파이프라인은 다양한 이동 속도와 시나리오에서 사용자로부터 실시간 CQI 피드백을 수집한다.
• LSTM 및 FNN 모델을 훈련하기 위해 200개 샘플의 입력 윈도우와 40개 샘플의 예측 시점(예측 수준)을 사용한다.
• 학습에는 배치 크기 20, LSTM 유닛 수 30, SELU 활성화 함수를 사용하여 학습 안정성을 최적화한다.
• 예측된 CQI 값은 다시 ns-3 시뮬레이션에 피드백되어 스루풋을 포함한 실시간 시스템 성능을 평가한다.

실험 결과

연구 질문

• RQ1 고속 5G NR 시나리오에서 오래된 CQI는 다운링크 스케줄링 성능에 어떤 영향을 미치는가?
• RQ2 고속 이동 환경에서 기존 FNN 모델 대비 LSTM 기반 CQI 예측은 시스템 스루풋을 어떻게 향상시키는가?
• RQ3 모의 ns-3 환경에서의 온라인 학습은 CQI 예측의 정확도와 강건성에 어떤 정도 향상 효과를 갖는가?
• RQ4 단일 및 다중 사용자 시나리오에서 사용자 속도가 증가함에 따라 LSTM과 FNN의 예측 정확도는 어떻게 변화하는가?

주요 결과

• LSTM 모델은 70 m/s에서도 여전히 50% 이상의 CQI 예측 정확도를 유지하지만, FNN 모델은 고속에서 신뢰할 수 있는 예측을 제공하지 못한다.
• 다중 사용자 시나리오에서 LSTM의 평균 예측 정확도는 FNN보다 뚜렷이 높으며, 사용자 간 표준편차도 작다.
• 단일 및 다중 사용자 시나리오 모두에서 LSTM 기반 예측 CQI를 사용할 경우, FNN 또는 지연된 CQI 대비 시스템 스루풋 성능이 뛰어나다.
• 시스템 수준의 시뮬레이션 결과, LSTM 기반 예측은 고속 이동 조건에서 특히 높은 평균 사용자 스루풋을 이끌어낸다.
• ns-3와의 온라인 학습 통합은 딥러닝 기반 CQI 예측 방법의 반복 가능하고 현실적인 평가를 가능하게 한다.
• 제안된 방법은 실세계 구현 가능성과 관련하여 타당성을 입증하였으며, 향후 5G NR 테스트베드에서 계산 비용을 평가하기 위해 시험 적용할 계획이다.