[논문 리뷰] Proactive Resource Management in LTE-U Systems: A Deep Learning Perspective.

Ursula Challita, Li Dong외 1명|arXiv (Cornell University)|2017. 02. 22.

Wireless Networks and Protocols참고 문헌 30인용 수 52

한 줄 요약

이 논문은 LTE-U 소형 기지국(SBS)을 위한 딥러닝 기반의 수동적 자원 관리 프레임워크를 제안하며, 정의된 채널 선택, 캐리어 집합, 분수 스펙트럼 접근을 가능하게 하면서도 WiFi 및 기타 LTE-U 운영자와의 공정성도 보장한다. 비협력 게임에서 SBS를 Homo Egualis 에이전트로 모델링함으로써 혼합 전략 내시균형을 달성하고 스펙트럼의 저활용도를 줄이며, 수동적 방법 대비 최대 28% 높은 Throughput를 제공하면서도 고밀도 배치에서 WiFi 성능 저하를 방지한다.

ABSTRACT

LTE in unlicensed spectrum (LTE-U) is a promising approach to overcome the wireless spectrum scarcity. However, to reap the benefits of LTE-U, a fair coexistence mechanism with other incumbent WiFi deployments is required. In this paper, a novel deep learning approach is proposed for modeling the resource allocation problem of LTE-U small base stations (SBSs). The proposed approach enables multiple SBSs to proactively perform dynamic channel selection, carrier aggregation, and fractional spectrum access while guaranteeing fairness with existing WiFi networks and other LTE-U operators. Adopting a proactive coexistence mechanism enables future delay-intolerant LTE-U data demands to be served within a given prediction window ahead of their actual arrival time thus avoiding the underutilization of the unlicensed spectrum during off-peak hours while maximizing the total served LTE-U traffic load. To this end, a noncooperative game model is formulated in which SBSs are modeled as Homo Egualis agents that aim at predicting a sequence of future actions and thus achieving long-term equal weighted fairness with WLAN and other LTE-U operators over a given time horizon. The proposed deep learning algorithm is then shown to reach a mixed-strategy Nash equilibrium (NE), when it converges. Simulation results using real data traces show that the proposed scheme can yield up to 28% and 11% gains over a conventional reactive approach and a proportional fair coexistence mechanism, respectively. The results also show that the proposed framework prevents WiFi performance degradation for a densely deployed LTE-U network.

연구 동기 및 목표

• 비허가 대역에서 기존 WiFi 네트워크와의 공정한 공존 문제를 해결한다.
• LTE-U 시스템에서 수동적 자원 할당으로 인해 오프피크 시간대에 비허가 대역이 저활용되는 문제를 해결한다.
• 예측 윈도우 내에서 지연에 민감한 LTE-U 트래픽을 수동적으로 제공함으로써 스펙트럼 효율성을 향상시킨다.
• 시간 경과에 따라 LTE-U SBS, WiFi 네트워크, 기타 LTE-U 운영자 간의 장기적인 동일 가중치 공정성을 확보한다.
• 다중 운영자 LTE-U 환경에서 동적이고 수동적인 의사결정을 지원하는 확장 가능한 비협력 게임이론 프레임워크를 개발한다.

제안 방법

• 장기적 공정성을 증진하기 위해 다수의 LTE-U 소형 기지국(SBS)을 비협력 게임 내의 Homo Egualis 에이전트로 모델링한다.
• 채널 선택, 캐리어 집합, 분수 스펙트럼 접근을 포함한 동적 자원 할당 문제를 수립한다.
• 정의된 시간 경과 동안 SBS의 향후 행동을 예측하기 위해 딥러닝 알고리즘을 적용하여 수동적 스펙트럼 이용을 가능하게 한다.
• 안정적이고 공정한 자원 할당 결과를 보장하기 위해 혼합 전략 내시균형(NE)을 수렴 목표로 삼는다.
• 실세계 데이터 트레이스를 사용해 딥러닝 모델을 훈련하여 실제 네트워크 조건을 시뮬레이션하고 성능을 검증한다.
• 고밀도 LTE-U 환경에서 WiFi 성능 저하를 방지하기 위해 학습 과정에 공정성 제약 조건을 통합한다.

실험 결과

연구 질문

• RQ1 기존의 수동적 접근 방식에 비해 수동적 딥러닝 프레임워크는 LTE-U 시스템의 스펙트럼 이용률을 향상시킬 수 있는가?
• RQ2 제안된 방법은 공존 중인 LTE-U SBS와 기존 WiFi 네트워크 간의 공정성을 얼마나 효과적으로 유지하는가?
• RQ3 해당 프레임워크는 고밀도 배치된 LTE-U 환경에서 WiFi 네트워크의 성능 저하를 어느 정도 방지하는가?
• RQ4 딥러닝 기반 접근 방식은 장기적으로 다수 운영자 간의 공정성을 보장하는 안정된 균형에 수렴하는가?
• RQ5 수동 예측 및 동적 자원 할당을 통해 Throughput 및 자원 효율성 측면에서 어떤 성능 향상이 달성되는가?

주요 결과

• 제안된 딥러닝 프레임워크는 기존의 수동 자원 할당 방식에 비해 최대 28% 높은 총 LTE-U 트래픽 처리량을 달성한다.
• 집합 Throughput 측면에서 비례 공정 공존 메커니즘 대비 11%의 성능 향상을 기록한다.
• 프레임워크는 WiFi 네트워크와의 공정성을 성공적으로 유지하며, 고밀도 배치된 LTE-U 환경에서도 측정 가능한 성능 저하 없이 운영된다.
• 딥러닝 알고리즘이 혼합 전략 내시균형으로 수렴하여 장기적으로 안정적이고 공정한 자원 할당 결과를 보장한다.
• 수동 채널 선택 및 동적 캐리어 집합이 오프피크 시간대에 스펙트럼의 저활용도를 크게 감소시킨다.
• 모델의 예측 능력 덕분에 지연에 민감한 트래픽에 대한 자원을 조기에 확보할 수 있어 전체 네트워크의 반응성과 효율성이 향상된다.