[논문 리뷰] Learning Based Uplink Interference Management in 4G LTE Cellular Systems

Supratim Deb, Pantelis Monogioudis|arXiv (Cornell University)|2013. 09. 10.

Advanced MIMO Systems Optimization인용 수 5

한 줄 요약

이 논문은 4G LTE 네트워크에서 사용자 단말기(UE) 측정 보고서를 활용하여 동적으로 전력 제어를 최적화하는 기계학습 기반 상行 간섭 관리 시스템인 LeAP을 제안한다. 데이터 기반 학습과 이중 알고리즘 프레임워크(IoTC-SL 및 IoTC-CE)를 활용하여 실제 네트워크 구현에서 20번째 백분위수 사용자 데이터 전송률에서 최대 4.9배 향상되고 중앙값 전송률에서 3.25배 향상되는 성과를 달성한다.

ABSTRACT

LTEs uplink (UL) efficiency critically depends on how the interference across different cells is controlled. The unique characteristics of LTEs modulation and UL resource assignment poses considerable challenges in achieving this goal because most LTE deployments have 1:1 frequency re-use, and the uplink interference can vary considerably across successive time slots. In this work, we propose LeAP, a measurement data driven machine learning paradigm for power control to manage up-link interference in LTE. The data driven approach has the inherent advantage that the solution adapts based on network traffic, propagation and network topology, that is increasingly heterogeneous with multiple cell-overlays. LeAP system design consists of the following components: (i) design of user equipment (UE) measurement statistics that are succinct, yet expressive enough to capture the network dynamics, and (ii) design of two learning based algorithms that use the reported measurements to set the power control parameters and optimize the network performance. LeAP is standards compliant and can be implemented in centralized SON (self organized networking) server resource (cloud). We perform extensive evaluations using radio network plans from real LTE network operational in a major metro area in United States. Our results show that, compared to existing approaches, LeAP provides a 4.9x gain in the 20th percentile of user data rate, and 3.25x gain in median data rate.

연구 동기 및 목표

• 1:1 주파수 재사용을 가진 4G LTE 네트워크에서 시간 및 주파수에 따라 변동하는 예측 불가능한 이웃셀 간섭 문제를 해결한다.
• 이웃 셀 간의 독립적인 스케줄링으로 인한 동적 간섭 패tern을 처리하는 데에 한계가 있는 전통적 전력 제어 기법의 한계를 극복한다.
• 실시간 네트워크 조건(트래픽, 전파 특성, 네트워크 구조 등)에 적응하는 표준 준수 및 확장 가능한 자율 네트워킹(SON) 솔루션을 설계한다.
• 실제 측정 데이터에서 학습을 통해 간섭을 최소화하고 데이터 전송률을 극대화함으로써 상행 스펙트럼 효율성과 사용자 공정성을 최적화한다.
• 미국 주요 메트로폴리탄 지역의 운영 네트워크 계획을 기반으로 실세계 LTE 구현에서 뚜렷한 성능 향상을 입증한다.

제안 방법

• 시간-주파수 블록에 걸친 간섭 수준과 채널 조건을 포함한 네트워크 동적 특성을 포괄하는 간결하면서도 표현력 있는 UE 측정 통계 세트를 설계한다.
• 보고된 측정 데이터를 기반으로 전력 제어 파rameter를 설정하기 위해 두 가지 기계학습 기반 알고리즘(IoTC-SL 및 IoTC-CE)을 구현한다.
• 전력 제어 문제를 간섭 인지 최적화 과제로 공식화하며, SINR 및 전력 제약 조건 하에서 가중합 전송률을 극대화하는 것이 목표이다.
• 간섭 측정값의 히스토그램 기반 분할을 통해 간섭 분포를 모델링하고, 정확도와 계산 부담 간 균형을 맞추기 위해 분할 크기를 조정한다.
• 중앙집중식 SON 서버(클라우드 기반)에 시스템을 통합하여 대규모 이질적 LTE 네트워크에서의 확장 가능한 구현을 가능하게 한다.
• 최적화 과정에서 SINR 기반 성능 지표를 근사하기 위해 로그 및 지수 항을 포함한 유틸리티 함수를 활용한 소프트 컴퓨팅 접근법을 적용한다.

실험 결과

연구 질문

• RQ1 1:1 주파수 재사용과 이웃 셀 간의 높은 동적 스케줄링을 가진 4G LTE 네트워크에서 상행 간섭을 효과적으로 관리할 수 있는 방법은 무엇인가?
• RQ2 실시간 LTE 운영 환경에서 동적 간섭 환경을 포괄적으로 표현할 수 있는 간결하면서도 표현력 있는 측정 통계는 무엇인가?
• RQ3 데이터 기반 기계학습 접근법이 전통적인 정적 전력 제어 기법보다 상행 스펙트럼 효율성과 사용자 공정성을 향상시키는 데서 뛰어난 성능을 보일 수 있는가?
• RQ4 간섭 히스토그램의 분할 크기 선택이 기계학습 기반 전력 제어 시스템의 성능과 확장성에 어떤 영향을 미치는가?
• RQ5 간섭 임계치(IoT-cap)의 설정이 최적화 성능과 학습 알고리즘의 수렴에 미치는 영향은 무엇인가?

주요 결과

• LeAP는 실세계 LTE 구현에서 기존 전력 제어 기법 대비 20번째 백분위수 사용자 데이터 전송률에서 4.9배 향상되고 중앙값 전송률에서 3.25배 향상된다.
• 10개 이상의 주요 간섭원을 가진 셀에서는 최대 4배의 중앙값 전송률 향상이 관찰되어, LeAP가 고간섭, 고밀도 도심 환경에서 가장 효과적임을 시사한다.
• 히스토그램 분할 크기가 2 dB를 초과할 경우 성능이 크게 떨어지며, 6 dB 분할 크기에서는 심각한 손실이 발생하여 2 dB가 정확도에 최적임을 입증한다.
• IoT-cap을 20 dB로 설정할 경우 최적의 균형을 이룬다. 25 dB로 증가시키면 분할로 인한 근사 오차가 증가하여 실제 간섭과 모델링된 간섭 간 격차가 커져 성능 향상이 감소한다.
• 평가된 서브네트워크에서 IoTC-SL 알고리즘이 IoTC-CE 대비 중앙값 전송률에서 36% 높은 성능을 보였지만, IoTC-CE 역시 기준 FPC 대비 모든 셀에서 90% 향상된 성능을 달성한다.
• LeAP의 평균 계산 시간은 6코어 서버에서 반복당 12초(5초 변동성)이며, 분 단위의 주기적 네트워크 최적화에 대한 확장성을 입증한다.