[论文解读] Mobility-Aware Analysis of 5G and B5G Cellular Networks: A Tutorial

Hina Tabassum, Mohammad Salehi+1 more|arXiv (Cornell University)|May 7, 2018

Advanced MIMO Systems OptimizationEngineering参考文献 67被引用 18

一句话总结

本教程提出了一套全面的、面向移动性的性能分析框架，用于5G及更未来的B5G蜂窝网络，利用随机几何与移动性模型评估切换频率、覆盖概率和驻留时间等关键指标。该框架引入了两种分析方法——基于轨迹的方法与基于关联/切换的方法，展示了其在随机与非随机网络拓扑中的应用，并通过模拟与数值结果对六边形和方形晶格以及基于泊松点过程的部署进行了验证。

ABSTRACT

Providing network connectivity to mobile users is a key requirement for cellular wireless networks. User mobility impacts network performance as well as user perceived service quality. For efficient network dimensioning and optimization, it is therefore required to characterize the mobility-aware network performance metrics such as the handoff rate, handoff probability, sojourn time, direction switch rate, and users' throughput or coverage. This characterization is particularly challenging for heterogeneous, dense/ultra-dense, and random cellular networks such as the emerging 5G and beyond 5G (B5G) networks. In this article, we provide a tutorial on mobility-aware performance analysis of both the spatially random and non-random, single-tier and multi-tier cellular networks. We first provide a summary of the different mobility models which include purely random models, spatially correlated, and temporally correlated models. The differences among various mobility models, their statistical properties, and their pros and cons are presented. We then describe two main analytical approaches for mobility-aware performance analysis of both random and non-random cellular networks. For the first approach, we describe a general methodology and present several case studies for different cellular network tessellations such as square lattice, hexagon lattice, single-tier and multi-tier models in which base-stations (BSs) follow a homogeneous Poisson Point Process (PPP). For the second approach, we also outline the general methodology. In addition, we discuss some limitations/imperfections of the existing techniques and provide corrections to these imperfections. Finally, we point out specific 5G application scenarios where the impact of mobility would be significant and outline the challenges associated with mobility-aware analysis of those scenarios.

研究动机与目标

• 解决在密集、异构及超密集5G/B5G网络中用户移动性建模的关键挑战，以提升网络性能与服务质量（QoS）。
• 表征在空间随机与结构化蜂窝部署中，移动性感知指标（如切换频率、切换概率、驻留时间与方向切换频率）的特性。
• 系统性地比较移动性模型（随机、空间/时间相关）与分析技术（基于轨迹与基于关联/切换）在性能评估中的优劣。
• 识别现有分析方法的局限性，并提出修正措施以提升移动性对网络性能影响建模的准确性。
• 探讨移动性在新兴5G应用场景（如无人机、V2X与网络切片）中的影响，并提出基于软件定义网络（SDN）与机器学习的自适应解决方案。

提出的方法

• 将移动性模型分类为纯随机型（如随机游走、随机行进）、空间相关型（如追逐、列队）与时间相关型（如高斯-马尔可夫、莱维飞行），分析其统计特性及在网络建模中的适用性。
• 基于随机几何，开发一种基于轨迹的分析方法，用于建模单层与多层蜂窝网络中用户移动性，其中基站（BSs）按齐次泊松点过程（PPP）分布。
• 实现一种基于关联/切换的分析方法，用于评估切换动态与覆盖概率，重点研究基于信号强度的切换决策与用户移动模式。
• 通过不同网络镶嵌结构（六边形、方形晶格）与部署场景（单层、多层）的数值结果与仿真，对分析模型进行校准。
• 集成基于SDN的移动性管理技术，包括自动邻区关系（ANR）与控制面/数据面解耦架构，以降低信令开销并提升切换效率。
• 应用数据驱动的深度学习模型（如DNN、自编码器、RNN）在分析建模不可行的场景中预测移动模式与网络性能指标，利用训练与测试数据集进行模型优化。

实验结果

研究问题

• RQ1 不同移动性模型（随机、空间相关、时间相关）如何影响5G/B5G网络中的关键性能指标（如切换频率与覆盖概率）？
• RQ2 在随机与非随机蜂窝拓扑中，基于轨迹的方法与基于关联/切换的方法在建模移动性感知性能方面，各自的优势与局限性是什么？
• RQ3 用户移动性如何影响网络切片，特别是在不同网络切片（如eMBB与mMTC）中切换频率与信令开销方面？
• RQ4 在超密集网络中，SDN支持的控制面解耦在多大程度上可降低切换信令并提升高速用户的服务质量（QoS）？
• RQ5 在分析建模不可行的复杂、密集5G/B5G环境中，深度学习模型能否准确预测移动模式与网络性能指标？

主要发现

• 5G/B5G网络中的切换频率与覆盖概率显著受移动性模式影响，高速移动用户经历的切换频率远高于静止或低速移动用户。
• 基于PPP的模型为SINR覆盖概率提供了悲观的下限估计，而六边形网格模型则提供了乐观的上限估计，验证了随机几何在可 tractable 性能评估中的有效性。
• 控制面与数据面解耦架构可将高速用户切换频率降低最多50%，显著减少信令开销并提升QoS。
• 移动性感知的缓存策略通过考虑移动用户与基站之间的随机接触时长，提升了缓存命中率，尤其在视频流媒体场景中效果显著。
• 在分析建模不可行的复杂环境中，基于数据驱动的深度学习模型（如RNN与DNN）可有效预测移动模式与网络性能指标，但需要大规模训练数据集与精细的网络结构调优。
• 5G/B5G网络切片需要自适应切换阈值与多无线接入技术（RAT）协同机制，以应对不同切片中多样化移动性需求，尤其针对URLLC与mMTC服务。