[논문 리뷰] Realtime Mobile Bandwidth and Handoff Predictions in 4G/5G Networks

Lifan Mei, Jinrui Gou외 3명|arXiv (Cornell University)|2021. 04. 27.

Advanced MIMO Systems Optimization인용 수 5

한 줄 요약

이 논문은 뉴욕 MTA 대중교통에서 확보한 장기적 트레이스를 바탕으로, 고정 노선 이동 환경에서 모바일 대역폭과 4G/5G 핸드오프를 딥러닝 기반으로 실시간 예측하는 방법을 제안한다. LSTM 및 기울기 부스팅 트리 모델을 활용해 향후 대역폭과 핸드오프 전환을 80% 이상의 정확도로 예측하였으며, 대역폭만으로는 예측이 어려운 채널 및 맥락 특징이 더 예측력이 높음을 입증하였다.

ABSTRACT

Mobile apps are increasingly relying on high-throughput and low-latency content delivery, while the available bandwidth on wireless access links is inherently time-varying. The handoffs between base stations and access modes due to user mobility present additional challenges to deliver a high level of user Quality-of-Experience (QoE). The ability to predict the available bandwidth and the upcoming handoffs will give applications valuable leeway to make proactive adjustments to avoid significant QoE degradation. In this paper, we explore the possibility and accuracy of realtime mobile bandwidth and handoff predictions in 4G/LTE and 5G networks. Towards this goal, we collect long consecutive traces with rich bandwidth, channel, and context information from public transportation systems. We develop Recurrent Neural Network models to mine the temporal patterns of bandwidth evolution in fixed-route mobility scenarios. Our models consistently outperform the conventional univariate and multivariate bandwidth prediction models. For 4G \& 5G co-existing networks, we propose a new problem of handoff prediction between 4G and 5G, which is important for low-latency applications like self-driving strategy in realistic 5G scenarios. We develop classification and regression based prediction models, which achieve more than 80\% accuracy in predicting 4G and 5G handoffs in a recent 5G dataset.

연구 동기 및 목표

• 사용자 경험(QoE)을 악화시키는 4G/5G 이동 통신망에서의 변동성이 큰 대역폭과 빈번한 핸드오프 문제를 해결한다.
• 라이브 영상 스트리밍 및 AR/VR과 같은 저지연 응용 프로그램에서 향후 대역폭 및 액세스 모드 변화를 예측함으로써 사전 적응을 가능하게 한다.
• 공존하는 4G/5G 환경에서 실시간으로 대역폭 및 4G/5G 핸드오프 이벤트를 예측할 수 있는지의 가능성과 정확도를 조사한다.
• 시간적 패턴을 활용해 채널 품질, 이동성 및 맥락적 특징을 통합한 모델을 개발하여, 기존의 단변량 방법을 뛰어넘는 예측 성능 향상을 도모한다.

제안 방법

• 뉴욕 MTA 대중교통 시스템에서 4G/LTE 및 5G 트레이스를 장기간 연속적으로 수집하였으며, 대역폭, RSSI, SNR, 이동성, 위치, 시간 등 풍부한 특징을 포함하였다.
• 장기 기억 네트워크(LSTM) 및 TPA-LSTM 네트워크를 적용하여 다변량 채널 및 맥락 데이터의 시간적 의존성을 모델링하고 향후 대역폭 예측을 수행하였다.
• 새로운 5G/4G 핸드오프 예측 문제를 제안하였으며, QoS 영향이 다른 4G→5G 및 5G→4G 전환을 구분하여 다루었다.
• 이진 핸드오프 분류를 위해 기울기 부스팅 머신(GBM)을, 향후 시간 창 동안 5G 액세스 확률의 연속적 예측을 위해 기울기 부스팅 회귀(GBR)를 사용하였다.
• 실세계 이동 데이터에서 모델 성능을 최적화하기 위해 5겹 교차검증 및 하이퍼파ram터 튜닝을 실시하였다.
• 정확도, F1 점수, AUC, RMSE 및 ROC 곡선과 같은 지표를 사용하여 분류 성능 및 예측 품질을 평가하였다.

실험 결과

연구 질문

• RQ1 시간적 패턴을 활용한 채널 및 맥락 특징을 기반으로 딥러닝 모델이 4G/5G 네트워크에서 향후 대역폭을 효과적으로 예측할 수 있는가?
• RQ2 RSSI, SNR, 이동성 등의 다변량 특징을 통합할 경우, 단변량 모델 대비 대역폭 예측 성능가 향상되는가?
• RQ3 특히 두 액세스 모드 간 성능 격차가 크다는 점을 감안할 때, 실시간으로 4G/5G 핸드오프를 얼마나 잘 예측할 수 있는가?
• RQ4 대역폭 특징을 포함할 경우 핸드오프 예측 정확도가 향상되는가, 아니면 채널 및 이동성 특징이 더 예측력이 높은가?
• RQ5 4G→5G 및 5G→4G 핸드오프에 대해 별도의 모델을 개발할 경우 단일 통합 모델 대비 더 높은 정확도를 달성할 수 있는가?

주요 결과

• TPA-LSTM 모델은 4G 및 5G 트레이스 모두에서 기존의 단변량 및 다변량 대역폭 예측 모델보다 뛰어난 성능을 보였다.
• GBM 모델을 사용한 핸드오프 예측 정확도는 80% 이상을 초과하였으며, 5G→4G 전환의 F1 점수는 0.808, 4G→5G 전환의 F1 점수는 0.833를 기록하였다.
• 모든 특징(대역폭 제외 및 포함)을 사용했을 때 AUC 값은 각각 0.82 및 0.83를 달성하여 강력한 분류 성능를 입증하였으며, 대역폭 전용 모델의 AUC는 단지 0.65에 머물렀다.
• 4G→5G 및 5G→4G 핸드오프에 대해 별도의 모델을 개발함으로써 단일 통합 모델 대비 성능 향상을 확인하였으며, 양 방향의 이동 패턴이 상이함을 확인하였다.
• GBR 기반의 연속적 핸드오프 예측은 향후 8초 동안 5G 액세스 비율을 예측할 때 RMSE가 0.109로 낮았으며, 극단적인 경우(ρ=0 또는 ρ=1)에서도 변동성이 매우 적었다.
• 대역폭과 핸드오프 이벤트 간 상관관계는 인과관계를 의미하지 않으며, 핸드오프 예측에서 채널 품질 및 이동성 특징이 대역폭보다 더 높은 예측력을 지닌다.