[論文レビュー] Artificial Intelligence Powered Mobile Networks: From Cognition to Decision

Guiyang Luo, Quan Yuan+3 more|arXiv (Cornell University)|Dec 8, 2021

IoT and Edge/Fog Computing被引用数 8

ひとこと要約

本論文は、深層学習を活用してネットワーク状態を直接認識QoEにマッピングする認知と意思決定を統合したAI駆動型モバイルネットワークアーキテクチャを提案する。実世界のセルラー通信データを用いた畳み込みニューラルネットワーク（CNN）の活用により、認識遅延を低減し、QoE予測の正確性を向上させ、78.84％のテスト精度を達成。従来の機械学習手法を上回り、予測的で知的なネットワーク管理の実現可能性を示した。

ABSTRACT

Mobile networks (MN) are anticipated to provide unprecedented opportunities to enable a new world of connected experiences and radically shift the way people interact with everything. MN are becoming more and more complex, driven by ever-increasingly complicated configuration issues and blossoming new service requirements. This complexity poses significant challenges in deployment, management, operation, optimization, and maintenance, since they require a complete understanding and cognition of MN. Artificial intelligence (AI), which deals with the simulation of intelligent behavior in computers, has demonstrated enormous success in many application domains, suggesting its potential in cognizing the state of MN and making intelligent decisions. In this paper, we first propose an AI-powered mobile network architecture and discuss challenges in terms of cognition complexity, decisions with high-dimensional action space, and self-adaption to system dynamics. Then, potential solutions that are associated with AI are discussed. Finally, we propose a deep learning approach that directly maps the state of MN to perceived QoS, integrating cognition with the decision. Our proposed approach helps operators in making more intelligent decisions to guarantee QoS. Meanwhile, the effectiveness and advantages of our proposed approach are demonstrated on a real-world dataset, involving $31261$ users over $77$ stations within $5$ days.

研究の動機と目的

• 増加するユーザー需要、多様なサービス、動的なトラフィックパターンに起因するモバイルネットワークの複雑化に対処する。
• ルールベースの反応的ネットワーク管理の限界を克服し、AIを用いた予測的で知的な意思決定を可能にする。
• AIをモバイルネットワークに統合し、ネットワーク状態の認知を高め、リソース割り当てを最適化し、エンドユーザーのQoEを向上させる。
• 手動による特徴工学を伴わず、生のネットワーク状態を直接認識QoEにマッピングするデータ駆動型エンドツーエンドの深層学習モデルを開発する。
• 中国電信のオペレータから得た実世界のセルラー通信ネットワークデータを用いて、提案されたAIフレームワークの有効性を実証する。

提案手法

• モバイルエッジコンピューティング下で、認識、認知、意思決定を統合したAI駆動型モバイルネットワークアーキテクチャを提案する。
• 畳み込みニューラルネットワーク（CNN）を具体的に活用し、多次元ネットワーク状態入力を直接認識QoEにマッピングする。
• 5日間にわたり77の基地局をカバーする31,261人のユーザーのユーザー接続、シグナリング、接続記録を含む実世界のモバイルネットワークデータを用いてCNNモデルを学習する。
• 事前の特徴工学を伴わず、ネットワーク状態とユーザーQoEの間の隠れたパターンや非線形関係をエンドツーエンド学習で抽出する。
• QoE予測およびリソース意思決定における性能を評価するため、従来の機械学習ベースライン（KNN、SVM、DT、LGB）とCNNモデルを比較する。
• 空間ヒートマップを用いて、CNNモデルの適用がネットワーク全体の認識遅延に与える影響を可視化し、QoE向上を示す。

Figure 1: The proposed architecture for AI-powered mobile network, which consists of perception, cognition, and decision, forming a closed-form control system. These three parts are located in the mobile edge computing center, which can reduce latency, lessen the burden of the backbone network, and

実験結果

リサーチクエスチョン

• RQ1 AIをどのように効果的にモバイルネットワークに統合することで、ルールベースのシステムを越えた予測的認知と意思決定を実現できるか？
• RQ2 複雑で高次元のネットワーク状態を、最小限の特徴工学で認識QoEにマッピングできる最適なディープラーニングアーキテクチャは何か？
• RQ3 実世界のモバイルネットワークにおいて、CNNベースのアプローチは、従来の機械学習モデルと比較して、QoEの予測と向上にどの程度優れているか？
• RQ4 知的なリソース割り当てを通じて、AIは認識遅延をどの程度低減させ、ユーザー体験を向上させられるか？
• RQ5 認知の複雑さ、高次元の行動空間、システムの動的変化を含め、AIをモバイルネットワークに適用する際の主な課題は何か？

主な発見

• 提案されたCNNモデルは、テストデータセットにおいて78.84％の精度を達成し、すべてのベースライン機械学習モデルを上回った。
• 従来の機械学習手法は、浅いアーキテクチャとネットワーク状態データ内の複雑で非線形な関係をモデル化する能力の限界により、性能が低かった。
• CNNモデルは、トラフィック混雑を引き起こすネットワーク状態の隠れたパターンを効果的に同定し、予測的QoE管理を可能にした。
• 可視化結果から、CNNモデルを適用した際、ネットワーク全体で認識遅延が顕著に低減し、改善されたQoEの空間的分布が明確に示された。
• モデルは実世界データにおいて高い頑健性と一般化能力を示し、運用中のモバイルネットワークへの導入可能性を検証した。
• 本研究は、エンドツーエンドの深層学習が、特に動的環境において、従来のヒューリスティックおよびルールベースのアプローチを効果的に置き換えることができることを確認した。

Figure 2: Machine learning algorithms are divided into three broad categories, i.e., SL, UL, and RL, respectively, depending on the nature of the signal or feedback available to the learning system. They can also be categorized into ONL and OFL based on the static dataset or sequentially generated d