[论文解读] Artificial Intelligence Powered Mobile Networks: From Cognition to Decision

Guiyang Luo, Quan Yuan+3 more|arXiv (Cornell University)|Dec 8, 2021

IoT and Edge/Fog Computing被引用 8

一句话总结

本文提出了一种基于人工智能的移动网络架构，利用深度学习将网络状态直接映射到感知的QoS，实现认知与决策的融合。通过在真实世界蜂窝网络数据上应用卷积神经网络（CNN），该方法显著降低了感知延迟，并提升了QoS预测精度，测试准确率达到78.84%，优于传统机器学习方法，证明了主动式、智能化网络管理的可行性。

ABSTRACT

Mobile networks (MN) are anticipated to provide unprecedented opportunities to enable a new world of connected experiences and radically shift the way people interact with everything. MN are becoming more and more complex, driven by ever-increasingly complicated configuration issues and blossoming new service requirements. This complexity poses significant challenges in deployment, management, operation, optimization, and maintenance, since they require a complete understanding and cognition of MN. Artificial intelligence (AI), which deals with the simulation of intelligent behavior in computers, has demonstrated enormous success in many application domains, suggesting its potential in cognizing the state of MN and making intelligent decisions. In this paper, we first propose an AI-powered mobile network architecture and discuss challenges in terms of cognition complexity, decisions with high-dimensional action space, and self-adaption to system dynamics. Then, potential solutions that are associated with AI are discussed. Finally, we propose a deep learning approach that directly maps the state of MN to perceived QoS, integrating cognition with the decision. Our proposed approach helps operators in making more intelligent decisions to guarantee QoS. Meanwhile, the effectiveness and advantages of our proposed approach are demonstrated on a real-world dataset, involving $31261$ users over $77$ stations within $5$ days.

研究动机与目标

• 应对由用户需求增长、服务多样化及动态流量模式带来的移动网络日益复杂的挑战。
• 通过人工智能实现主动式、智能化决策，克服基于规则的反应式网络管理的局限性。
• 将人工智能集成到移动网络中，提升网络状态的认知能力，优化资源分配，并改善终端用户QoS。
• 开发一种数据驱动的端到端深度学习模型，直接将原始网络状态映射到感知的QoS，无需人工特征工程。
• 在来自中国电信运营商的真实世界蜂窝网络数据上，验证所提出AI框架的有效性。

提出的方法

• 提出一种基于移动边缘计算的AI驱动移动网络架构，集成感知、认知与决策功能。
• 利用深度学习——特别是卷积神经网络（CNN）——将多维网络状态输入直接映射到感知的QoS。
• 在包含31,261名用户、77个基站、为期5天的实测移动网络数据上训练CNN模型，涵盖用户接入、信令及连接记录。
• 采用端到端学习方法，从网络状态与用户QoS之间的隐藏模式和非线性关系中自动提取特征，无需预先进行特征工程。
• 将CNN模型与传统机器学习基线方法（KNN、SVM、DT、LGB）进行对比，评估其在QoS预测与资源决策方面的性能。
• 通过空间热力图可视化模型对网络中感知延迟的影响，展示QoS的改善效果。

Figure 1: The proposed architecture for AI-powered mobile network, which consists of perception, cognition, and decision, forming a closed-form control system. These three parts are located in the mobile edge computing center, which can reduce latency, lessen the burden of the backbone network, and

实验结果

研究问题

• RQ1 如何有效将人工智能集成到移动网络中，以实现超越基于规则系统的主动认知与决策？
• RQ2 何种深度学习架构能以最少的特征工程，最佳地将复杂、高维的网络状态映射到感知的QoS？
• RQ3 基于CNN的方法在真实世界移动网络中预测和改善QoS方面，相较于传统机器学习模型表现如何？
• RQ4 人工智能在通过智能资源分配降低感知网络延迟、提升用户体验方面，其作用程度如何？
• RQ5 在认知复杂性、高维动作空间与系统动态性等方面，将人工智能应用于移动网络面临的主要挑战是什么？

主要发现

• 所提出的CNN模型在测试数据集上实现了78.84%的感知QoS预测准确率，优于所有基线机器学习模型。
• 传统机器学习方法表现欠佳，原因在于其浅层结构及对网络状态数据中复杂非线性关系建模能力有限。
• CNN模型成功识别出导致网络拥塞的隐藏网络状态模式，从而实现主动式QoS管理。
• 可视化结果表明，应用CNN模型后，网络中感知延迟显著降低，改善后的QoS在空间分布上更加清晰。
• 该模型在真实世界数据上表现出强鲁棒性与泛化能力，验证了其在实际移动网络中部署的潜力。
• 本研究证实，端到端深度学习可有效替代传统启发式与基于规则的网络决策方法，尤其在动态环境中表现突出。

Figure 2: Machine learning algorithms are divided into three broad categories, i.e., SL, UL, and RL, respectively, depending on the nature of the signal or feedback available to the learning system. They can also be categorized into ONL and OFL based on the static dataset or sequentially generated d