[논문 리뷰] Deep Learning-based Intelligent Dual Connectivity for Mobility Management in Dense Network

Chujie Wang, Zhifeng Zhao외 2명|arXiv (Cornell University)|2018. 05. 30.

Advanced MIMO Systems Optimization참고 문헌 15인용 수 7

한 줄 요약

이 논문은 초고밀도 5G 네트워크에서 이동성 관리에 대한 딥러닝 기반의 지능형 이중 연결 메커니즘을 제안하며, LSTM을 사용해 사용자 이동성을 예측하고 서비스 기지국 및 대상 기지국과 사전에 이중 연결을 수립한다. 이 방법은 핸드오버 중에 Throughput를 크게 향상시키고 비트 오류율(BER)을 감소시키면서도 에너지 효율성을 유지하며, 저밀도에서 중간 밀도 시나리오에서 최대 85%의 Throughput 향상과 40%의 BER 감소를 달성한다.

ABSTRACT

Ultra-dense network deployment has been proposed as a key technique for achieving capacity goals in the fifth-generation (5G) mobile communication system. However, the deployment of smaller cells inevitably leads to more frequent handovers, thus making mobility management more challenging and reducing the capacity gains offered by the dense network deployment. In order to fully reap the gains for mobile users in such a network environment, we propose an intelligent dual connectivity mechanism for mobility management through deep learning-based mobility prediction. We first use LSTM (Long Short Term Memory) algorithm, one of deep learning algorithms, to learn every user equipment's (UE's) mobility pattern from its historical trajectories and predict its movement trends in the future. Based on the corresponding prediction results, the network will judge whether a handover is required for the UE. For the handover case, a dual connection will be established for the related UE. Thus, the UE can get the radio signal from two base stations in the handover process. Simulation results verify that the proposed intelligent dual connectivity mechanism can significantly improve the quality of service of mobile users in the handover process while guaranteeing the network energy efficiency.

연구 동기 및 목표

• 초고밀도 5G 네트워크에서 빈번한 핸드오버 및 관련 Throughput 저하 문제를 해결하기 위해.
• 신호 지연과 연결 단절를 줄임으로써 핸드오버 중 사용자 품질 서비스(QoS)를 향상시키기 위해.
• 이동성 중 Throughput와 신뢰성 향상과 함께 네트워크 에너지 효율성을 유지하기 위해.
• 역사적 사용자 이동 경로 데이터를 활용해 정확한 이동성 예측을 수행하여 사전 네트워크 준비를 가능하게 하기 위해.

제안 방법

• 역사적 이동 경로 데이터로부터 사용자 이동 패턴을 학습하고 예측하기 위해 장기적 단기 기억(LSTM) 네트워크를 사용한다.
• 이동성 예측 결과를 활용해 사용자 단말기(UE)와 두 기지국(서비스 및 대상) 간에 사전에 이중 연결을 수립한다.
• 실제 핸드오버 이전에 이중 연결을 시작하여 이동 중에 두 기지국 모두로부터 지속적인 신호 수신을 보장한다.
• 시뮬레이션된 초고밀도 환경에서 평균 Throughput, 비트 오류율(BER), 에너지 효율성(EE) 등의 지표를 사용해 성능을 평가한다.
• 실제 이중 연결과 단일 연결, 이상적 이중 연결(완벽한 예측)을 비교하여 성과 향상을 평가한다.
• 스케일러빌리티와 강건성을 평가하기 위해 세포 밀도와 사용자 속도(v = 1 m/s)를 주요 시뮬레이션 파라미터로 사용한다.

실험 결과

연구 질문

• RQ1 LSTM 기반 이동성 예측이 초고밀도 5G 네트워크에서 핸드오버 이벤트를 효과적으로 사전 예측할 수 있는가?
• RQ2 단일 연결 대비 사전 이중 연결이 핸드오버 중 Throughput 향상과 BER 감소에 얼마나 기여하는가?
• RQ3 제안된 메커니즘이 다양한 세포 밀도에서 네트워크 에너지 효율성에 어떤 영향을 미치는가?
• RQ4 특히 고속 사용자에게서 예측 정확도가 어떻게 변하는가, 다양한 사용자 이동 속도에서의 정확도 변화는 어떠한가?

주요 결과

• 제안된 지능형 이중 연결은 저밀도에서 중간 밀도 시나리오에서 핸드오버 중 단일 연결 대비 최대 85% 높은 평균 Throughput를 달성한다.
• 비트 오류율(BER)은 단일 연결 대비 최대 40% 감소하며, 특히 30/km² 이하의 세포 밀도에서 두드러진다.
• 에너지 효율성은 약간 향상되며, 특히 세포 밀도가 10/km²에서 15/km² 사이에서 가장 두드러진 성과를 보인다.
• LSTM은 저속 및 중속 사용자(v = 1 m/s)에 대해 95% 이상의 예측 정확도를 달성하지만, 고속 사용자에서는 궤도 변형으로 인해 정확도가 크게 떨어진다.
• 실제 이중 연결 성능은 이상적 이중 연결 기준선에 매우 가까이 도달하여 높은 실용 가능성임을 시사한다.
• 메커니즘은 네트워크 에너지 효율성을 유지하면서도 상당한 QoS 향상을 제공하여, 밀도가 높은 5G 구현 환경에서의 실용성과 타당성을 입증한다.