[논문 리뷰] Echo State Networks for Proactive Caching in Cloud-Based Radio Access Networks with Mobile Users

Mingzhe Chen, Walid Saad외 2명|arXiv (Cornell University)|2016. 07. 04.

Neural Networks and Reservoir Computing참고 문헌 32인용 수 5

한 줄 요약

이 논문은 구름 무선 접근망(CRANs)에서 제한된 상태 정보를 바탕으로 사용자 이동성과 콘텐츠 요청 패턴을 예측하기 위해 에코 스테이트 네트워크(ESN) 기반의 사전 캐싱 프레임워크를 제안한다. 낮은 복잡도의 예측을 위해 ESN을 활용하고, 캐시 배치를 위한 비선형 알고리즘을 적용함으로써, 랜덤 캐싱 대비 최대 30.7% 향상된 합성 유효 대역폭을 달성한다. 이는 백홀 및 프론트홀 자원이 제한된 동적이고 이동성이 높은 환경에서 뚜렷한 성능 향상을 보여준다.

ABSTRACT

In this paper, the problem of proactive caching is studied for cloud radio access networks (CRANs). In the studied model, the baseband units (BBUs) can predict the content request distribution and mobility pattern of each user, determine which content to cache at remote radio heads and BBUs. This problem is formulated as an optimization problem which jointly incorporates backhaul and fronthaul loads and content caching. To solve this problem, an algorithm that combines the machine learning framework of echo state networks with sublinear algorithms is proposed. Using echo state networks (ESNs), the BBUs can predict each user's content request distribution and mobility pattern while having only limited information on the network's and user's state. In order to predict each user's periodic mobility pattern with minimal complexity, the memory capacity of the corresponding ESN is derived for a periodic input. This memory capacity is shown to be able to record the maximum amount of user information for the proposed ESN model. Then, a sublinear algorithm is proposed to determine which content to cache while using limited content request distribution samples. Simulation results using real data from Youku and the Beijing University of Posts and Telecommunications show that the proposed approach yields significant gains, in terms of sum effective capacity, that reach up to 27.8% and 30.7%, respectively, compared to random caching with clustering and random caching without clustering algorithm.

연구 동기 및 목표

• 백홀 및 프론트홀 대역폭이 제한된 클라우드 무선 접근망(CRANs) 환경에서 사전 콘텐츠 캐싱을 가능하게 하여 제한된 자원을 효율적으로 활용하고자 한다.
• 에코 스테이트 네트워크(ESNs)를 활용해 네트워크 및 사용자 상태 정보의 일부만을 사용하여 사용자 이동 패턴과 콘텐츠 요청 분포를 예측하고자 한다.
• 프론트홀 및 백홀 부하를 최소화하면서 베이스밴드 유닛(BBUs)과 원격 라디오 헤드(RRHs)에서의 캐시 배치를 공동 최적화하고자 한다.
• 샘플링된 요청 분포를 이용해 효율적인 캐시 결정을 내리기 위한 저복잡도 비선형 알고리즘을 개발하고자 한다.
• 유쿠 및 베이징 우정통신대학교의 실세계 데이터를 활용해 제안된 프레임워크를 평가하고, 기준 방법 대비 성능 향상을 입증하고자 한다.

제안 방법

• 에코 스테이트 네트워크(ESNs)를 활용해 네트워크 및 사용자 상태 정보의 일부만을 사용하여 사용자 이동성과 콘텐츠 요청 패턴을 모델링하고 예측한다.
• 이동성 예측을 위해 최소한의 복잡도로 충분한 정보를 캡처할 수 있도록 주기적인 입력에 대한 ESN의 기억 용량을 유도한다.
• 콘텐츠 요청 분포의 제한된 샘플만을 사용하여 최적의 콘텐츠 캐싱을 결정하기 위한 비선형 알고리즘을 도입함으로써 계산 오버헤드를 감소시킨다.
• 전송 모드(즉시 요청, 캐싱 등)에 따라 모델링된 사용자 유효 대역폭을 최대화함으로써 RRH 및 BBU에서의 캐시 배치를 최적화한다.
• 장기적인 성능 평가를 위해 T개의 시간 슬롯 동안의 시간 평균 유효 대역폭 지표를 사용하며, 예측 결과를 공동 최적화 프레임워크에 통합한다.
• 제안된 1번 정리를 적용하여 클라우드 캐시 및 RRH에서의 전송 스케줄링을 수행함으로써 자원 할당과 성능 평가를 효율적으로 수행한다.

실험 결과

연구 질문

• RQ1 에코 스테이트 네트워크(ESN)는 제한된 상태 정보를 바탕으로 CRAN 내에서 사용자 이동성과 콘텐츠 요청 패턴을 효과적으로 예측할 수 있는가?
• RQ2 이동성이 높은 CRAN 환경에서 주기적인 사용자 이동 패턴을 포착하기 위해 ESN의 최적 기억 용량은 얼마인가?
• RQ3 백홀 및 프론트홀 대역폭 제약 조건 하에서 요청 분포의 샘플만을 사용하여 콘텐츠 캐싱을 어떻게 최적화할 수 있는가?
• RQ4 ESN 예측을 활용한 사전 캐싱 전략은 랜덤 캐싱 또는 클러스터링 기반 캐싱 전략 대비 어떤 성능 향상을 달성할 수 있는가?
• RQ5 제안된 비선형 알고리즘은 상당히 감소된 계산 복잡도로 근사 최적의 캐시 결정을 달성할 수 있는가?

주요 결과

• 제안된 ESN 기반 예측 프레임워크는 유쿠 데이터 기반 클러스터링을 적용한 랜덤 캐싱 대비 최대 27.8% 높은 합성 유효 대역폭을 달성한다.
• 베이징 우정통신대학교의 실세계 데이터 기반으로, 클러스터링 없이 랜덤 캐싱 대비 최대 30.7% 향상된 합성 유효 대역폭을 확보한다.
• 유도된 ESN 기억 용량은 주기적인 이동 패턴을 최적으로 캡처할 수 있도록 하여 낮은 복잡도로 정확한 장기 예측을 가능하게 한다.
• 비선형 캐시 알고리즘은 샘플링된 요청 분포만을 사용하여 최적의 콘텐츠 배치를 효과적으로 결정하며, 계산 부하를 크게 감소시킨다.
• 이 프레임워크는 RRH 및 BBU에서의 캐시 최적화를 공동으로 수행함으로써 프론트홀 및 백홀 트래픽을 균형 잡고 사용자 서비스 품질을 극대화한다.
• 시뮬레이션 결과는 제안된 방법이 다양한 실세계 데이터셋에서 기준 랜덤 및 클러스터링 기반 캐싱 전략을 모두 초월하는 성능 향상을 보여준다.