[논문 리뷰] Deep Learning-aided Application Scheduler for Vehicular Safety Communication

Mohammad Irfan Khan, François-Xavier Aubet외 2명|arXiv (Cornell University)|2019. 01. 25.

Vehicular Ad Hoc Networks (VANETs)참고 문헌 14인용 수 6

한 줄 요약

이 논문은 IEEE 802.11p 기반 V2X 네트워크에서 인접 차량의 전송 패턴을 예측하기 위해 장기 단기 기억(LSTM) 네트워크를 사용하는 딥러닝 기반 응용 스케줄러를 제안한다. 시간과 공간에서 채널 활동을 학습하고 예측함으로써, 차량은 활동이 적은 기간 동안 전송을 스케줄링하여 충돌을 크게 줄이고, 밀도가 높고 동적인 환경에서 안전 메시지 수신률을 향상시킬 수 있다.

ABSTRACT

802.11p based V2X communication uses stochastic medium access control, which cannot prevent broadcast packet collision, in particular during high channel load. Wireless congestion control has been designed to keep the channel load at an optimal point. However, vehicles' lack of precise and granular knowledge about true channel activity, in time and space, makes it impossible to fully avoid packet collisions. In this paper, we propose a machine learning approach using deep neural network for learning the vehicles' transmit patterns, and as such predicting future channel activity in space and time. We evaluate the performance of our proposal via simulation considering multiple safety-related V2X services involving heterogeneous transmit patterns. Our results show that predicting channel activity, and transmitting accordingly, reduces collisions and significantly improves communication performance.

연구 동기 및 목표

• 스토케스틱 CSMA 액세스와 은폐 노드로 인한 지속적인 패킷 충돌 문제를 해결한다.
• 고밀도 및 동적인 차량 환경에서 충돌을 완전히 방지할 수 없는 현재의 혼잡도 제어 메커니즘의 한계를 극복한다.
• 사전 전송 스케줄링을 통해 안전 비중요 브로드캐스트 메시지의 신뢰성과 수신 확률을 향상시킨다.
• 중앙 집중식 조율이나 프로토콜 변경 없이도 분산형 지능형 스케줄링을 가능하게 한다.
• 이웃 전송 패턴을 예측함으로써 실제와 유사한 V2X 환경에서 측정 가능한 성능 향상이 가능함을 입증한다.

제안 방법

• 1-hop 이웃 차량의 이력 전송 패턴을 기반으로 순환 신경망(RNN)을 학습하며, 이때 장기 단기 기억(LSTM) 유닛을 사용한다.
• 이웃 차량으로부터의 패킷 생성 이벤트 시계열 데이터를 입력으로 사용하여 시간적 의존성과 전송 규칙을 학습한다.
• 학습된 이웃 전송 패턴을 바탕으로 현지 차량의 향후 채널 활동(사용 중/비사용 상태)을 예측한다.
• 예측된 저활성 간격 동안 차량 자체의 전송을 스케줄링하여 충돌을 피한다.
• 감지된 비사용 슬롯을 넘어서 은폐 노드 전송을 탐지하고 예측하여 기존에 충돌을 일으킬 수 있는 요소를 사전에 차단한다.
• 표준화된 ITS-G5 MAC 계층을 수정하지 않고도 응용 계층에 예측 기반 스케줄러를 통합한다.

실험 결과

연구 질문

• RQ1 LSTM 기반 모델은 동적인 V2X 환경에서 이웃 차량의 전송 패턴을 효과적으로 학습하고 예측할 수 있는가?
• RQ2 고채널 부하를 가진 802.11p 기반 차량 네트워크에서 채널 활동을 예측함으로써 패킷 충돌을 어느 정도 감소시킬 수 있는가?
• RQ3 예측 기반 스케줄링은 표준 CSMA 액세스 대비 안전 관련 V2X 메시지의 수신 비율을 얼마나 향상시키는가?
• RQ4 은폐 터미널 존재 시 은폐 노드 전송 행동을 학습하는 것이 전체 네트워크 성능에 미치는 영향은 무엇인가?
• RQ5 혼합된 학습 및 비학습 노드가 존재하는 하이브리드 환경에서 성능 스케일링은 어떻게 이루어지는가?

주요 결과

• LSTM 기반 스케줄러는 예측된 저활성 기간 동안 전송을 허용함으로써 패킷 충돌을 크게 감소시킨다.
• 제안된 방법은 특히 고밀도 고속도로 환경에서 안전 메시지의 수신 비율을 향상시킨다.
• 은폐 노드 활동을 예측함으로써 가장 큰 성능 향상이 이루어지며, 대부분의 충돌은 감지되지 않은 은폐 터미널 전송으로 인해 발생하기 때문이다.
• 특히 높은 채널 부하 조건에서 표준 CSMA 및 DCC 메커니즘보다 뛰어난 성능을 달성한다.
• 학습 기반 스케줄러를 구현한 차량의 일부일지라도 시스템은 높은 신뢰성을 유지한다.
• 시뮬레이션 결과는 이웃 행동을 학습하고 예측함으로써 분산형 V2X 네트워크에서 공유 무선 매체를 더 효율적으로 사용할 수 있음을 확인한다.