[论文解读] Deep Learning-based Intelligent Dual Connectivity for Mobility Management in Dense Network

Chujie Wang, Zhifeng Zhao+2 more|arXiv (Cornell University)|May 30, 2018

Advanced MIMO Systems Optimization参考文献 15被引用 7

一句话总结

该论文提出了一种基于深度学习的智能双连接机制，用于超密集5G网络中的移动性管理，利用LSTM预测用户移动性，并提前与服务基站和目标基站建立双连接。该方法在保持能效的同时显著提升了切换期间的吞吐量并降低了误码率，在低至中等密度场景下实现了高达85%的吞吐量增益和40%的误码率（BER）降低。

ABSTRACT

Ultra-dense network deployment has been proposed as a key technique for achieving capacity goals in the fifth-generation (5G) mobile communication system. However, the deployment of smaller cells inevitably leads to more frequent handovers, thus making mobility management more challenging and reducing the capacity gains offered by the dense network deployment. In order to fully reap the gains for mobile users in such a network environment, we propose an intelligent dual connectivity mechanism for mobility management through deep learning-based mobility prediction. We first use LSTM (Long Short Term Memory) algorithm, one of deep learning algorithms, to learn every user equipment's (UE's) mobility pattern from its historical trajectories and predict its movement trends in the future. Based on the corresponding prediction results, the network will judge whether a handover is required for the UE. For the handover case, a dual connection will be established for the related UE. Thus, the UE can get the radio signal from two base stations in the handover process. Simulation results verify that the proposed intelligent dual connectivity mechanism can significantly improve the quality of service of mobile users in the handover process while guaranteeing the network energy efficiency.

研究动机与目标

• 为解决超密集5G网络中频繁切换及其导致的吞吐量下降问题。
• 通过减少信令延迟和连接中断，提升用户在切换过程中的服务质量（QoS）。
• 在提升切换期间吞吐量和可靠性的同时，保持网络能效。
• 利用历史用户轨迹数据实现精确的移动性预测，以实现网络的主动准备。

提出的方法

• 使用长短期记忆（LSTM）网络从历史轨迹数据中学习并预测用户移动性模式。
• 利用移动性预测结果，主动在用户设备（UE）与两个基站（服务基站和目标基站）之间建立双连接。
• 在实际切换前启动双连接，以确保在移动过程中能持续接收来自两个基站的信号。
• 通过平均吞吐量、误码率（BER）和能效（EE）等指标，在模拟的超密集环境中评估性能。
• 将所提出的实际双连接与单连接以及理想双连接（完美预测）进行对比，以评估性能增益。
• 使用小区密度和用户速度（v = 1 m/s）作为关键仿真参数，评估系统的可扩展性和鲁棒性。

实验结果

研究问题

• RQ1 基于LSTM的移动性预测能否有效预测超密集5G网络中的切换事件？
• RQ2 与单连接相比，主动双连接在切换期间对吞吐量的提升和误码率的降低程度如何？
• RQ3 所提出的机制在不同小区密度下对网络能效的影响如何？
• RQ4 预测精度在不同用户移动速度下如何变化，特别是对高速用户？

主要发现

• 在低至中等小区密度场景下，所提出的智能双连接机制在切换期间的平均吞吐量相比单连接最高提升85%。
• 与单连接相比，误码率（BER）降低了最多40%，尤其在小区密度低于30/km²时表现更明显。
• 能效略有提升，其中在10/km²至15/km²的小区密度范围内提升最为显著。
• 对于低速和中速用户（v = 1 m/s），LSTM的预测准确率超过95%，但对高速用户由于轨迹突变导致准确率显著下降。
• 实际双连接的性能非常接近理想双连接基准，表明其具有高度的实际可行性。
• 该机制在保持网络能效的同时实现了显著的QoS增益，验证了其在密集5G网络部署中的实际可行性。