[論文レビュー] Integrated Methodology to Cognitive Network Slice Management in Virtualized 5G Networks

Xenofon Vasilakos, Navid Nikaein+3 more|arXiv (Cornell University)|May 11, 2020

Software-Defined Networks and 5G参考文献 23被引用数 10

ひとこと要約

本論文は、仮想化された5Gネットワークにおける認知的ネットワークおよびスライス管理（CNSM）の統合的で4段階の手法を提案する。機械学習（ML）モデルを活用して、事前制御および異常検出を実現する。5G認知ワークフロー、4段階認知的スライス管理アプローチ、およびプロアクティブ制御方式（PCS）を統合し、動的でマルチテナント環境においてスライスSLAの維持、リソース割り当ての最適化、QoEの向上を自律的に行う。実際の5G RANデータを用いたeHealthユースケースを通じて検証された。

ABSTRACT

Fifth Generation (5G) networks are envisioned to be fully autonomous in accordance to the ETSI-defined Zero touch network and Service Management (ZSM) concept. To this end, purpose-specific Machine Learning (ML) models can be used to manage and control physical as well as virtual network resources in a way that is fully compliant to slice Service Level Agreements (SLAs), while also boosting the revenue of the underlying physical network operator(s). This is because specially designed and trained ML models can be both proactive and very effective against slice management issues that can induce significant SLA penalties or runtime costs. However, reaching that point is very challenging. 5G networks will be highly dynamic and complex, offering a large scale of heterogeneous, sophisticated and resource-demanding 5G services as network slices. This raises a need for a well-defined, generic and step-wise roadmap to designing, building and deploying efficient ML models as collaborative components of what can be defined as Cognitive Network and Slice Management (CNSM) 5G systems. To address this need, we take a use case-driven approach to design and present a novel Integrated Methodology for CNSM in virtualized 5G networks based on a concrete eHealth use case, and elaborate on it to derive a generic approach for 5G slice management use cases. The three fundamental components that comprise our proposed methodology include (i) a 5G Cognitive Workflow model that conditions everything from the design up to the final deployment of ML models; (ii) a Four-stage approach to Cognitive Slice Management with an emphasis on anomaly detection; and (iii) a Proactive Control Scheme for the collaboration of different ML models targeting different slice life-cycle management problems.

研究の動機と目的

• 仮想化環境におけるリソース要求が高く、SLA要件が厳しい、多様で動的な5Gネットワークスライスを管理する上での複雑さに対処すること。
• 既存の文献におけるギャップを埋めるために、MLベースの認知的ネットワークおよびスライス管理システムの設計・展開・運用を可能にする、構造的で汎用的かつ再利用可能な手法を提供すること。
• 5Gにおけるゼロタッチネットワークおよびサービス管理（ZSM）を実現するために、性能劣化が発生する前に予測・是正するプロアクティブなMLモデルを統合すること。
• 物理的および仮想的ネットワーク機能間の効率的で自律的な調整を可能にし、サービスレベルの保証を確保することで、マルチテナント5Gネットワークを支援すること。
• 救急車ベースの遠隔医療を含む実世界のeHealthユースケースを通じて、患者の個人情報の機微を損なわず、高いQoEを維持することを目的とした手法の妥当性を検証すること。

提案手法

• 本手法は、設計・トレーニング・デプロイ・監視の全ライフサイクルをカバーする5G認知ワークフロー・モデルに基づく。これにより、ネットワークおよびサービス要件と整合性を保ちながら、MLモデルの管理が可能になる。
• 認知的スライス管理（4-CSM）の4段階アプローチを導入し、異常検出を重視する。段階は、監視（Monitoring）、分析（Analysis）、計画（Planning）、実行（Execution）（MAPE-K）をカバーし、事前適応を可能にする。
• プロアクティブ制御方式（PCS）は、複数のMLモデルを統合しており、広帯域CQI（wbCQI）を予測する統合回帰モデルを含む。この予測値は、帯域幅調整などの行動を決定する根拠となる。
• PCSは2つのモードで動作する。1つはwbCQI予測モデルが直接行動を出力する（「予測」コンponent）、もう1つは異常検出や分類などの他のモデルを支援する（「監視」コンponent）。
• 本手法は、Mosaic-5GプラットフォームおよびSlisceNetプロジェクトから得た実際の5Gモニタリングデータ（OpenAirInterface（OAI）およびRANレベルのメトリクス、例：RSRP、RSRQ、SINR）を活用し、モデルのトレーニングおよび検証に使用する。
• 本アプローチは、LSTM、XGBoost、LASSOなどの多様なMLモデル（回帰、異常検出、特徴選択用）の統合を可能とし、実測値と予測値のwbCQI差分に基づく継続的なオフラインモデル更新を支援する。

実験結果

リサーチクエスチョン

• RQ1 仮想化された5Gネットワークにおける機械学習モデルを認知的ネットワークおよびスライス管理（CNSM）に統合するための、構造的かつ再利用可能な手法を設計するにはどうすればよいか？
• RQ2 動的かつ多様な条件下で、5Gネットワークスライスのプロアクティブで自律的な管理を可能にするために、異常検出はどのような役割を果たすか？
• RQ3 プロアクティブ制御方式（PCS）は、複数のMLモデルを効果的に統合することで、エンドツーエンドのスライスにおいてSLA準拠を維持し、QoSを最適化できるか？
• RQ4 MLベースのwbCQI予測は、eHealth遠隔医療のようなミッションクリティカルな5Gユースケースにおいて、ネットワークリソースの割り当てとQoEをどのように改善できるか？
• RQ5 実世界の5G RANモニタリングデータを、個人情報の機微を損なわず、認知的ネットワーク管理のためのMLモデルのトレーニングおよび検証にどのように活用できるか？

主な発見

• 提案手法は、ワークフロー設計、段階的認知管理、マルチモデルプロアクティブ制御方式を統合した統合フレームワークにより、5Gネットワークスライスの自律的かつプロアクティブな管理を成功裏に実現した。
• wbCQI予測の統合回帰モデルは高い精度を達成し、RMSEおよびMAPE指標により優れた予測性能を示したが、要約では正確な数値は明記されていない。
• 異常検出およびクラスタリングモデルは、回帰モデルから抽出した特徴を用いてワークフローに成功裏に統合され、ネットワーク劣化の早期特定が可能になった。
• 本手法は、実測値と予測値のwbCQI差分に基づく継続的オフラインモデル再トレーニングをサポートしており、変化するネットワーク状態への継続的改善と適応を可能にした。
• 本アプローチは、救急車ベースの遠隔医療を含む実際のeHealthユースケースで検証され、患者データの機微を損なわず、高いQoEを維持できることを示した。
• 著者らは、CRAWDADに、5G RANモニタリングデータの生データおよび処理済みデータを公開し、今後の研究における実世界の5Gデータへのアクセスを大幅に促進した。