[논문 리뷰] When Cellular Meets WiFi in Wireless Small Cell Networks

Mehdi Bennis, Meryem Simsek외 4명|arXiv (Cornell University)|2013. 03. 22.

Advanced MIMO Systems Optimization참고 문헌 1인용 수 7

한 줄 요약

이 논문은 사용자 QoS와 트래픽 유형을 기반으로 라이선스된 LTE 대역과 비라이선스된 WiFi 대역 간에 동적으로 트래픽을 유도하는 분산형, 자율적 조직 프레임워크인 크로스시스템 학습을 제안한다. 신호 교환 없이 회귀 기반 학습을 활용함으로써 기존 스케줄러 대비 최대 160배의 전송률 향상을 달성하며, 특히 고부하 상황에서 셀 엔드 사용자 전송률을 크게 향상시킨다.

ABSTRACT

The deployment of small cell base stations(SCBSs) overlaid on existing macro-cellular systems is seen as a key solution for offloading traffic, optimizing coverage, and boosting the capacity of future cellular wireless systems. The next-generation of SCBSs is envisioned to be multi-mode, i.e., capable of transmitting simultaneously on both licensed and unlicensed bands. This constitutes a cost-effective integration of both WiFi and cellular radio access technologies (RATs) that can efficiently cope with peak wireless data traffic and heterogeneous quality-of-service requirements. To leverage the advantage of such multi-mode SCBSs, we discuss the novel proposed paradigm of cross-system learning by means of which SCBSs self-organize and autonomously steer their traffic flows across different RATs. Cross-system learning allows the SCBSs to leverage the advantage of both the WiFi and cellular worlds. For example, the SCBSs can offload delay-tolerant data traffic to WiFi, while simultaneously learning the probability distribution function of their transmission strategy over the licensed cellular band. This article will first introduce the basic building blocks of cross-system learning and then provide preliminary performance evaluation in a Long-Term Evolution (LTE) simulator overlaid with WiFi hotspots. Remarkably, it is shown that the proposed cross-system learning approach significantly outperforms a number of benchmark traffic steering policies.

연구 동기 및 목표

• 지속적인 데이터 트래픽 증가로 인한 셀룰러 네트워크의 용량 한계 문제를 해결하기 위해.
• 이질적 소셀 네트워크에서 3G/LTE와 WiFi 무선접근기술(RAT) 간에 효율적이고 동적 트래픽 오프로드를 가능하게 하기 위해.
• 정보 교환 없이도 SCBS가 장기적인 전송 전략을 최적화할 수 있는 자율적 조직형 분산 프레임워크를 개발하기 위해.
• 지연에 민감한 사용자와 지연에 관용적인 사용자 모두의 성능을 향상시키기 위해 라이선스 및 비라이선스 대역 간에 지능적으로 트래픽을 유도하기 위해.
• 스케줄링, 소셀 밀도화, 오프로딩 전략이 네트워크 전송률과 공정성에 미치는 영향을 평가하기 위해.

제안 방법

• SCBS가 라이선스된(LTE) 및 비라이선스된(WiFi) 대역에서 모두 최적의 전송 전략을 회귀 기반 학습을 통해 학습하는 크로스시스템 학습 프레임워크를 제안한다.
• SCBS 간의 신호 교환 없이도 작동하는 분산형, 정보 없는 학습 절차를 적용한다.
• 지연에 관용적인 트래픽과 지연에 민감한 트래픽을 구분하여 최적의 대역 할당을 위한 트래픽 인식(TA) 스케줄링을 통합한다.
• 초기 사용자 연결을 위해 기준 신호 수신 전력(RSRP) 기준을 사용하고, 셀 범위 확장 바이어스를 적용하여 커버리지 향상을 도모한다.
• 장기 최적화 절차를 통해 두 RAT 모두에서 전송 전략의 확률 분포를 학습한다.
• WiFi 핫스팟이 있는 LTE 시뮬레이터에서 성능을 평가하며, 무작위 선택, 비례 공정(PF) 스케줄링, 표준 강화학습과의 벤치마크를 비교한다.

실험 결과

연구 질문

• RQ1 다중모드 소셀 기지국(SCBS)은 어떻게 라이선스된 LTE와 비라이선스된 WiFi 대역 간에 자율적이고 효율적으로 트래픽을 오프로드할 수 있는가?
• RQ2 전송률과 공정성 측면에서 크로스시스템 학습은 전통적인 트래픽 유도 정책에 비해 어떤 성능 향상을 보이는가?
• RQ3 트래픽 인식 스케줄링의 통합은 다양한 사용자 부하와 QoS 요구사항 하에서 네트워크 성능을 어떻게 향상시키는가?
• RQ4 소셀 밀도화와 백홀 구성은 셀 엔드 사용자 전송률에 어떤 영향을 미치는가?
• RQ5 수렴 속도와 안정성 측면에서 크로스시스템 학습은 표준 강화학습과 어떻게 비교되는가?

주요 결과

• 크로스시스템 학습은 50회 이내에 수렴하며, 표준 강화학습에 비해 훨씬 빠르며, 몇백 회의 반복이 필요하고 진동하는 '핑퐁' 행동을 보이는 경향이 있다.
• 제안된 프레임워크는 기존 비례 공정(PF) 스케줄링 대비 300명의 사용자에서 총 셀 전송률을 160배 향상시킨다.
• 두 대의 다중모드 SCBS(HetNet+WiFi)를 사용할 경우 매크로 단일 배포 대비 셀 엔드 사용자 전송률이 50% 향상된다.
• HetNet+WiFi의 로드 기반 오프로딩 전략은 커버리지 기반 전략보다 성능이 뛰어나며, 특히 고부하 상황에서 두각을 나타낸다.
• 소셀 사용자(SCUE)와 매크로 사용자(MUE) 모두 오프로딩으로부터 이점을 얻으며, 소셀 밀도가 증가함에 따라 성능 향상이 커진다(K=2, 4, 6).
• 매크로 단일 배포에서 25%의 UE가 데이터 전송률을 받지 못하는 상황에서도, 셀 범위 확장 바이어스를 적용한 SCBS 배포가 전체 성능, 특히 셀 엔드 사용자 성능 향상에 기여한다.