[論文レビュー] Deep Learning for Hybrid 5G Services in Mobile Edge Computing Systems: Learn from a Digital Twin

Rui Dong, Changyang She+3 more|arXiv (Cornell University)|Jun 30, 2019

IoT and Edge/Fog Computing参考文献 28被引用数 6

ひとこと要約

本稿では、超信頼性低遅延通信（URLLC）および遅延耐性サービスを両方サポートするハイブリッド5Gモバイルエッジコンピューティング（MEC）システムにおけるエネルギー効率の最適化を実現するため、デジタルツインを活用したディープラーニングフレームワークを提案する。リアルタイムのネットワークダイナミクスをモデル化するデジタルツイン上で事前に学習されたディープニューラルネットワーク（DNN）を用いることで、従来の手法と比較して計算複雑性を低減しつつ、近似的に最適なエネルギー消費を達成するリアルタイムのユーザ接続およびリソース割り当てが可能になる。

ABSTRACT

In this work, we consider a mobile edge computing system with both ultra-reliable and low-latency communications services and delay tolerant services. We aim to minimize the normalized energy consumption, defined as the energy consumption per bit, by optimizing user association, resource allocation, and offloading probabilities subject to the quality-of-service requirements. The user association is managed by the mobility management entity (MME), while resource allocation and offloading probabilities are determined by each access point (AP). We propose a deep learning (DL) architecture, where a digital twin of the real network environment is used to train the DL algorithm off-line at a central server. From the pre-trained deep neural network (DNN), the MME can obtain user association scheme in a real-time manner. Considering that real networks are not static, the digital twin monitors the variation of real networks and updates the DNN accordingly. For a given user association scheme, we propose an optimization algorithm to find the optimal resource allocation and offloading probabilities at each AP. Simulation results show that our method can achieve lower normalized energy consumption with less computation complexity compared with an existing method and approach to the performance of the global optimal solution.

研究の動機と目的

• URLLCおよび遅延耐性サービスを併存させるハイブリッド5Gモバイルエッジコンピューティングシステムにおける正規化エネルギー消費を最小化すること。
• 厳密なQoS制約下でのユーザ接続、リソース割り当て、オフロード確率に関する非凸最適化問題に対処すること。
• ディープラーニングを用いて、動的ネットワーク環境におけるリアルタイムで低複雑性の意思決定を可能にすること。
• 実ネットワークの変動を正確に再現し、継続的にDNNを更新するデジタルツインの構築をすること。

提案手法

• ネットワークトポロジー、チャネル状態、情報理論およびキューイング理論の理論的モデルを統合することで、実ネットワーク環境を模倣するデジタルツインを構築する。
• デジタルツインは、さまざまな構成下でのエネルギー消費、遅延、パケット損失確率をシミュレートすることで、ディープニューラルネットワーク（DNN）の学習に必要なラベル付き訓練データを生成する。
• DNNは中央サーバーで事前学習され、最適なユーザ接続ポリシーを学習した後、モビリティ管理エンティティ（MME）にデプロイされ、リアルタイムの推論が可能になる。
• 各アクセスポイント（AP）は、MMEから入力されるユーザ接続情報をもとに、最適なリソース割り当ておよびオフロード確率を計算する最適化アルゴリズムを用いる。
• デジタルツインは実ネットワークの変化を継続的にモニタリングし、非定常環境でも精度を維持するため、定期的にDNNを再学習する。
• モデルベースの理論的分析（例：URLLCの信頼性およびレート制約）をディープラーニングと統合することで、大規模な実世界のフィードバックに依存しない仕組みを実現する。

実験結果

リサーチクエスチョン

• RQ1 URLLCおよび遅延耐性サービスを併存させるハイブリッド5G MECシステムにおけるエネルギー効率をどのように最大化できるか？
• RQ2 リアルタイムのネットワークダイナミクスを正確にモデル化し、DNNの学習を支援するデジタルツインを効果的に構築するにはどうすればよいか？
• RQ3 リアルタイムのフィードバックやラベル付きデータが得られない状況下で、MECにおける非凸最適化問題にどのようにディープラーニングを適用できるか？
• RQ4 ネットワーク状態が時間とともに変化する非定常環境において、システムの性能をどのように維持できるか？

主な発見

• 提案されたデジタルツインベースのディープラーニングフレームワークは、グローバル最適解の5%以内の正規化エネルギー消費を達成した。
• 従来の最適化ベースのアプローチと比較して、計算複雑性を顕著に低減した。
• デジタルツインにより、MMEにおける事前に訓練されたDNNの推論によって、正確でリアルタイムのユーザ接続意思決定が可能になった。
• 実世界のフィードバックに過度に依存せずに、理論的モデルを活用してパケット損失確率を計算することで、URLLCサービスの高い信頼性を維持した。
• 更新されたデジタルツインデータを用いた定期的なDNN再学習により、動的環境下でもフレームワークのロバスト性を示した。