[논문 리뷰] Outdoor mmWave Base Station Placement: A Multi-Armed Bandit Learning Approach

Fatih Erden, Chethan Kumar Anjinappa외 2명|arXiv (Cornell University)|2020. 03. 07.

Advanced MIMO Systems Optimization참고 문헌 20인용 수 6

한 줄 요약

이 논문은 장기적인 커버리지 확률을 최대화하기 위해 3D 뷰셰드 분석과 시간에 따라 변화하는 채널 모델링을 통합한 다중 손잡이 밴딧(MAB) 학습 기반의 최적 외부 mmWave 기지국(BS) 위치 설정 방법을 제안한다. 정적 최적화 방법과는 달리, 이는 동적인 차단 및 시간에 따라 변하는 채널 변화에 적응하며, 뷰셰드 전용 및 평균 통계 기반 접근 방식보다 뛰어나, BS5 위치를 고도로 신뢰할 수 있는 최적의 위치로 규명한다.

ABSTRACT

Base station (BS) placement in mobile networks is critical to the efficient use of resources in any communication system and one of the main factors that determines the quality of communication. Although there is ample literature on the optimum placement of BSs for sub-6 GHz bands, channel propagation characteristics, such as penetration loss, are notably different in millimeter-wave (mmWave) bands than in sub-6 GHz bands. Therefore, designated solutions are needed for mmWave systems to have reliable quality of service (QoS) assessment. This article proposes a multi-armed bandit (MAB) learning approach for the mmWave BS placement problem. The proposed solution performs viewshed analysis to identify the areas that are visible to a given BS location by considering the 3D geometry of the outdoor environments. Coverage probability, which is used as the QoS metric, is calculated using the appropriate path loss model depending on the viewshed analysis and a probabilistic blockage model and then fed to the MAB learning mechanism. The optimum BS location is then determined based on the expected reward that the candidate locations attain at the end of the training process. Unlike the optimization-based techniques, this method can capture the time-varying behavior of the channel and find the optimal BS locations that maximize long-term performance.

연구 동기 및 목표

• 높은 경로 손실과 차단 민감도로 인해 더 스마트한 배치 전략이 요구되는 도시 환경에서 mmWave 기지국 위치 설정의 과제를 해결한다.
• 평균 채널 통계에 의존하고 시간에 따라 변화하는 차단 및 사용자 이동성은 忽시하는 전통적인 최적화 기반 방법의 한계를 극복한다.
• mmWave 채널의 시간적 동적 특성을 포착하는 학습 기반 프레임워크를 개발하여 장기적인 서비스 품질(QoS)을 향상시킨다.
• 3D 디지털 고도 모델(DEM)과 이진 점유 지ap(BOM)을 통합하여 복잡한 도시 기하학에서의 가시성 및 전파 손실을 정확하게 모델링한다.
• 실제 동적 조건에서 MAB 학습 기반 접근 방식이 뷰셰드 기반 및 평균 통계 기반 방법보다 최적의 BS 위치를 더 잘 규명함을 입증한다.

제안 방법

• 도시 환경 데이터에서 3D 디지털 고도 모델(DEM)을 구축하고, 건물 차단을 나타내기 위해 이진 점유 지도(BOM)를 추출한다.
• 각 후보 BS 위치에 대해 뷰셰드 분석을 수행하여 주변 영역에 대한 시야(LoS) 및 비시야(NLoS) 가시성을 결정한다.
• mmWave 특화 경로 손실 모델(예: 3GPP 모델)과 가시성 및 환경 기하학에 기반한 확률적 차단 모델을 사용하여 커버리지 확률을 추정한다.
• 결과로 도출된 커버리지 확률을 보상 신호로 활용하여 다중 손잡이 밴딧(MAB) 학습 프레임워크에 입력하여 후보 위치 간의 장기적 성능을 시뮬레이션한다.
• UCB(상한 신뢰도) 또는 유사한 MAB 탐색-이용 전략을 사용하여 학습과 선택의 균형을 유지하고, 가장 높은 기대 장기 보상이 제공되는 BS 위치로 수렴한다.
• 모의 시간 단계 동안 MAB 에이전트를 훈련시며 관측된 커버리지 성능에 기반해 Q-값을 업데이트하고, 최종 최적의 BS 위치는 평균 Q-값이 가장 높은 위치로 선정한다.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하는 채널 조건을 고려하면서도 3D 도시 환경에서 다중 손잡이 밴딧 학습 프레임워크가 최적의 mmWave 기지국 위치를 효과적으로 규명할 수 있는가?
• RQ2 제안된 MAB 기반 방법은 장기적인 커버리지 성능 측면에서 뷰셰드 분석 및 평균 통계 기반 최적화와 비교해 어떻게 성능을 냈는가?
• RQ3 동적인 차단 및 사용자 이동성이 최적의 BS 위치 선정에 미치는 영향은 어느 정도이며, MAB 학습 기반 접근 방식이 정적 모델보다 이러한 변동에 더 잘 적응할 수 있는가?
• RQ4 다양한 후보 BS 위치 간에서 가시성과 실제 커버리지 확률 간 상관관계는 성립하는가, 아니면 가시성만으로는 잘못된 해석을 유도할 수 있는 경우가 존재하는가?
• RQ5 제안된 방법은 다중 BS 배치 및 실시간 네트워크 최적화(예: 교통 동적 변화 기반 슬립 모드 제어)로 확장 가능할 수 있는가?

주요 결과

• MAB 학습 기반 접근 방식은 BS5 위치를 최적의 기지국 위치로 규명하였으며, 레이 트레이싱 시뮬레이션 결과와 일치하고 다른 후보 위치보다 뛰어난 성능을 보였다.
• BS2에서 BS3로 이동하면서 가시성 확률이 감소했음에도 불구하고 MAB가 추정한 커버리지 확률은 증가했으며, 이는 방법이 비직관적인 성능 향상을 포착할 수 있음을 보여준다.
• BS3 및 BS4 위치에 대해 MAB 방법은 가시성 추세가 예측한 것보다 높은 커버리지 추정치를 보였으며, 이는 경로 손실 모델링 및 동적 학습이 정적 가시성 분석을 능가함을 시사한다.
• 레이 트레이싱 시뮬레이션과 MAB 학습 모두에서 모든 위치에서 커버리지 추세에 강한 상관관계를 보였으며, 둘 다 BS5를 최적으로, BS8 및 BS9를 강력한 2위 후보로 규명했다.
• 평균 통계에 의존하는 최적화 기법과는 달리, 이 방법은 이동성에 따른 차단과 같은 시간에 따라 변화하는 채널 변화의 영향을 장기적 성능 학습을 통해 성공적으로 포착하였다.
• 제안된 프레임워크는 다중 BS 시나리오에 적응 가능하며, BOM 생성 과정을 수정함으로써 다른 QoS 지표나 실내 환경으로도 확장 가능하다.