[论文解读] Data Driven Optimization of Inter-Frequency Mobility Parameters for Emerging Multi-band Networks

Muhammad Umar Bin Farooq, Marvin Manalastas+5 more|arXiv (Cornell University)|Aug 18, 2020

Millimeter-Wave Propagation and Modeling参考文献 12被引用 16

一句话总结

该论文提出了一种数据驱动的优化框架，用于5G及更未来网络中的异频切换参数（A5th1、A5th2、TTT）优化，采用XGBoost进行KPI预测，利用遗传算法（GA）联合优化参考信号接收功率（RSRP）和切换成功率（HOSR）。该方法相比暴力搜索实现48倍的加速，且最优性损失可忽略不计，揭示了RSRP与HOSR的最优参数值互不重叠，且A5th2对性能影响最大。

ABSTRACT

Densification and multi-band operation in 5G and beyond pose an unprecedented challenge for mobility management, particularly for inter-frequency handovers. The challenge is aggravated by the fact that the impact of key inter-frequency mobility parameters, namely A5 time to trigger (TTT), A5 threshold1 and A5 threshold2 on the system's performance is not fully understood. These parameters are fixed to a gold standard value or adjusted through hit and trial. This paper presents a first study to analyze and optimize A5 parameters for jointly maximizing two key performance indicators (KPIs): Reference signal received power (RSRP) and handover success rate (HOSR). As analytical modeling cannot capture the system-level complexity, a data driven approach is used. By developing XGBoost based model, that outperforms other models in terms of accuracy, we first analyze the concurrent impact of the three parameters on the two KPIs. The results reveal three key insights: 1) there exist optimal parameter values for each KPI; 2) these optimal values do not necessarily belong to the current gold standard; 3) the optimal parameter values for the two KPIs do not overlap. We then leverage the Sobol variance-based sensitivity analysis to draw some insights which can be used to avoid the parametric conflict while jointly maximizing both KPIs. We formulate the joint RSRP and HOSR optimization problem, show that it is non-convex and solve it using the genetic algorithm (GA). Comparison with the brute force-based results show that the proposed data driven GA-aided solution is 48x faster with negligible loss in optimality.

研究动机与目标

• 解决密集多频段5G网络中异频切换参数缺乏系统性优化的问题。
• 在复杂的系统级动态环境下，联合最大化两个关键KPI——参考信号接收功率（RSRP）和切换成功率（HOSR）。
• 通过合成数据与机器学习，克服解析建模与人工调优的局限性。
• 通过敏感性分析与启发式优化，解决RSRP与HOSR优化之间的参数冲突问题。
• 开发一种可扩展的数据驱动解决方案，在计算效率上超越暴力搜索，同时保持高精度。

提出的方法

• 使用符合3GPP规范的仿真器生成合成网络数据，确保代表性并规避真实数据的局限性。
• 基于XGBoost的回归模型用于预测RSRP与HOSR，均方根误差（RMSE）分别低至0.074 dBm与2.5%，优于其他机器学习模型。
• 采用Sobol方差敏感性分析，量化A5th1、A5th2与TTT对两个KPI的影响程度。
• 构建非凸多目标优化问题，结合RSRP与HOSR，采用加权目标函数。
• 利用遗传算法（GA）求解非凸优化问题，实现快速收敛。
• 与暴力搜索对比，验证GA方法在速度与近似最优性方面的优势。

实验结果

研究问题

• RQ1 在异频切换中，A5th1、A5th2与TTT的最优配置是什么，可联合最大化RSRP与HOSR？
• RQ2 A5th1、A5th2与TTT的变化如何影响RSRP与HOSR？哪个参数对性能影响最大？
• RQ3 基于合成数据与机器学习的数据驱动方法能否准确建模复杂动态网络中COP与KPI之间的关系？
• RQ4 是否可以通过选择性调节如TTT等参数，避免RSRP与HOSR优化之间的参数冲突？
• RQ5 与暴力搜索相比，基于GA的优化在速度与最优性方面表现如何？

主要发现

• XGBoost在预测RSRP（RMSE：0.074 dBm）与HOSR（RMSE：2.5%）方面表现最佳，优于其他机器学习模型。
• RSRP与HOSR的最优参数值不重叠，表明两者之间存在根本性权衡。
• A5th2对RSRP与HOSR的影响最大，其次为A5th1，而TTT对HOSR影响最小，对RSRP影响中等。
• 基于GA的优化相比暴力搜索实现48倍加速，RSRP与HOSR的性能损失分别仅为0.13 dBm与1.73%。
• 暴力搜索找到的最优参数集为[128ms, -104 dBm, -110 dBm]，而GA识别出的为[128ms, -103 dBm, -109 dBm]，证实其近似最优性。
• 所提出的框架可实现A5参数的自优化，显著提升KPI表现，超越当前行业黄金标准。