[논문 리뷰] Deep Learning for Moving Blockage Prediction using Real Millimeter Wave Measurements

Shunyao Wu, Muhammad Alrabeiah외 3명|arXiv (Cornell University)|2021. 01. 18.

Millimeter-Wave Propagation and Modeling참고 문헌 16인용 수 6

한 줄 요약

이 논문은 실시간 수신 신호 대역 전력 시계열을 사용하여 mmWave 통신에서의 이동 차단을 예측하는 GRU 기반 딥러닝 모델을 제안한다. 전력 동역학에서 '전차단 서명(pre-blockage signature)'을 식별함으로써, 모델은 블록킹 예측 정확도가 85% 이상이며, 시간 추정 오차가 10 이하로 달성되어 사전 수신 이동을 가능하게 하고 네트워크 신뢰성을 향상시킨다.

ABSTRACT

Millimeter wave (mmWave) communication is a key component of 5G and beyond. Harvesting the gains of the large bandwidth and low latency at mmWave systems, however, is challenged by the sensitivity of mmWave signals to blockages; a sudden blockage in the line of sight (LOS) link leads to abrupt disconnection, which affects the reliability of the network. In addition, searching for an alternative base station to re-establish the link could result in needless latency overhead. In this paper, we address these challenges collectively by utilizing machine learning to anticipate dynamic blockages proactively. The proposed approach sees a machine learning algorithm learning to predict future blockages by observing what we refer to as the pre-blockage signature. To evaluate our proposed approach, we build a mmWave communication setup with a moving blockage and collect a dataset of received power sequences. Simulation results on a real dataset show that blockage occurrence could be predicted with more than 85% accuracy and the exact time instance of blockage occurrence can be obtained with low error. This highlights the potential of the proposed solution for dynamic blockage prediction and proactive hand-off, which enhances the reliability and latency of future wireless networks.

연구 동기 및 목표

• 갑작스러운 링크 차단과 높은 수신 이동 지연을 유발하는 mmWave 통신에서의 동적 블록킹 문제를 해결한다.
• 기존 방법의 한계를 극복한다. 기존 방법은 정적 블록킹 모델이나 카메라와 같은 외부 센서에 의존한다.
• 수신 신호 대역 전력 시계열만을 사용하여 블록킹이 발생하기 전에 사전에 블록킹을 예측하는 머신러닝 솔루션을 개발한다.
• 기지국이 라인오브사이트(LOS) 링크가 차단되기 전에 사전 수신 이동을 시작할 수 있도록 함으로써 신뢰성 있고 저지연 무선 연결성을 실현한다.

제안 방법

• 수신 신호 대역 전력 시계열의 시간적 의존성을 모델링하기 위해 게이트드 리커런트 유닛(GRUs)을 사용한 순환 신경망(RNN)을 활용한다.
• 실제 60GHz 시스템에서 이동 차단 설정을 통해 수집한 실세계 mmWave 측정 데이터를 기반으로 모델을 훈련시킨다.
• 입력은 수신 전력의 연속된 10개 시간 인스턴스로 구성되며, 향후 블록킹 발생 여부 또는 정확한 블록킹 시간을 예측하는 데 사용된다.
• 두 가지 예측 작업이 정의된다: 이진 분류(블록킹 대비 비블록킹)와 회귀(정확한 블록킹 발생 시간)
• 실제 채널 모델링을 위해 사전 정의된 코드북과 OFDM 신호 전송 방식을 사용한 완전 아날로그 빔포밍 아키텍처를 적용한다.
• 검증 세트에서 표준편차를 고려한 상위 1위 정확도와 평균 절대 오차(MAE)를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 실수신 전력 시계열을 기반으로 훈련된 딥러닝 모델은 mmWave 시스템에서 블록킹이 발생하기 전에 동적 블록킹의 시작을 예측할 수 있는가?
• RQ2 수신 전력 데이터만을 사용하여 정확한 블록킹 발생 시간 인스턴스를 얼마나 효과적으로 예측할 수 있는가?
• RQ3 수신 전력 동역학에 '전차단 서명(pre-blockage signature)'이 존재할 경우, 예측 정확도가 얼마나 향상되는가?
• RQ4 예측 수평(미래 시간 단계)이 증가함에 따라 예측 정확도와 시간 오차는 어떻게 변화하는가?
• RQ5 외부 센서나 빔 시퀀스 분석에 의존하는 기존 방법에 비해 제안된 방법이 더 우수한 성능을 보일 수 있는가?

주요 결과

• 6개 시간 인스턴스 이내로 예측할 경우, 블록킹 발생 예측 정확도가 85% 이상을 달성한다.
• 예측 간격이 40개 시간 인스턴스에 이르면 상위 1위 정확도가 약 50%로 떨어지며, 이는 장기 예측에서 성능 저하가 명확하게 나타남을 시사한다.
• 블록킹 시점 예측의 경우, 10단계 이하의 예측 간격에서는 평균 절대 오차가 1.9개 이하로 유지되며, 변동성은 ±1.5 이내로 낮다.
• 40개 시간 인스턴스의 예측 수평에서도 평균 절대 오차가 8개 이하로 유지되어 장기 예측에 대한 강건성을 입증한다.
• 수신 전력 시계열에 뚜렷한 '전차단 서명(pre-blockage signature)'이 존재하는 것이 정확한 예측을 가능하게 하는 핵심 요소이며, 특히 블록킹이 임박했을 경우에 특히 중요하다.
• 모델의 성능은 단기 예측에서 뚜렷이 뛰어나며, 블록킹 이벤트가 임박할 때 나타나는 일시적 신호 동역학의 가치를 확인한다.