[论文解读] Multi-Connectivity in 5G terrestrial-Satellite Networks: the 5G-ALLSTAR Solution

Federico Lisi, G. Losquadro+3 more|arXiv (Cornell University)|Mar 11, 2020

Satellite Communication Systems参考文献 22被引用 4

一句话总结

本文提出5G-ALLSTAR方案，用于在集成的5G陆地-卫星网络中实现多连接性，通过在分离式gNB架构（gNB-CU与gNB-DU）中引入基于人工智能的强化学习框架，动态优化流量分流与资源分配。该方法通过根据实时网络状况和QoS需求，协调不同无线接入技术的多个接入点，从而提升可靠性、吞吐量和时延。

ABSTRACT

The 5G-ALLSTAR project is aimed at integrating Terrestrial and Satellite Networks for satisfying the highly challenging and demanding requirements of the 5G use cases. The integration of the two networks is a key feature to assure the service continuity in challenging communication situations (e.g., emergency cases, marine, railway, etc.) by avoiding service interruptions. The 5G-ALLSTAR project proposes to develop Multi-Connectivity (MC) solutions in order to guarantee network reliability and improve the throughput and latency for each connection between User Equipment (UE) and network. In the 5G-ALLSTAR vision, we divide the gNB in two entities: 1) gNB-CU (Centralized Unit) and 2) gNB-DU (Distributed Unit) The gNB-CU integrates an innovative Traffic Flow Control algorithm able to optimize the network resources by coordinating the controlled gNB-DUs resources, while implementing MC solutions. The MC permits to connect each UE with simultaneous multiple access points (even different radio access technologies). This solution leads to have independent gNB-DU/s that contain the RLC, MAC and PHY layers. The 5G-ALLSTAR MC algorithms offer advanced functionalities to RRC layer (in the gNB-CU) that is, in turn, able to set up the SDAP, the PDCP and the lower layers in gNB-DU. In this regard, the AI-based MC algorithms, implemented in gNB-CU, by considering the network performances in the UE surrounding environment as well as the UE QoS requirements, will dynamically select the most promising access points able to guarantee the fulfilment of the requirements also enabling the optimal traffic splitting to cope with the connection reliability. In this paper, we present also an innovative AI-based framework, included within the Traffic Flow Control, able to address the MC objectives, by implementing a Reinforcement Learning algorithm in charge of solving the network control problem.

研究动机与目标

• 解决在紧急情况、海上和铁路等关键场景下5G网络的服务连续性挑战。
• 通过支持同时接入多种无线接入技术，克服传统单链路连接的局限性。
• 通过在多个gNB-DUs之间智能协调资源，提升网络可靠性、吞吐量和端到端时延。
• 将人工智能集成到RRC和流量控制层，以动态适应网络状况变化和用户QoS需求。
• 通过新型基于人工智能的流量流控制机制，实现陆地与卫星链路之间的无缝切换和负载均衡。

提出的方法

• 将gNB分解为两个逻辑实体：gNB-CU（集中单元）负责高层控制，gNB-DU（分布单元）负责基带处理和物理层功能。
• 在gNB-CU中实现基于人工智能的流量流控制算法，利用强化学习解决动态网络控制问题。
• 将实时网络性能数据和UE QoS需求作为输入，提供给强化学习智能体，以实现最优接入点选择。
• 将RLC、MAC和PHY层功能分布在独立的gNB-DUs上，以支持多连接性和灵活的流量分流。
• 通过gNB-CU中的RRC层协调多个gNB-DUs之间的SDAP、PDCP及底层配置，实现联合传输和冗余处理。
• 根据信道质量、时延和可靠性指标，动态地在多个接入点之间分流流量，以最大化性能。

实验结果

研究问题

• RQ1 如何在集成的5G陆地-卫星网络中有效实现多连接性，以确保在挑战性环境下的服务连续性？
• RQ2 在不同网络条件下，基于人工智能的决策在优化多接入选择和流量分流方面发挥什么作用？
• RQ3 分离式gNB架构（gNB-CU/gNB-DU）如何支持多个接入点的动态、实时协调，以提升QoS？
• RQ4 在多连接性场景下，基于人工智能的流量流控制可带来哪些性能提升？
• RQ5 gNB-CU中的强化学习框架如何适应UE需求和环境条件的变化，以维持最优连接？

主要发现

• 所提出的5G-ALLSTAR方案实现了陆地与卫星链路之间的同时多接入连接，在高移动性或偏远场景下显著提升了网络弹性。
• gNB-CU中基于人工智能的强化学习框架能够根据实时网络状态和QoS需求，动态选择最合适的接入点，从而增强连接可靠性。
• 通过在多个gNB-DUs之间分流流量，利用多种无线接入技术的分集增益，提升了频谱效率并降低了时延。
• 分离式gNB架构支持多连接性功能的可扩展和灵活部署，gNB-CU集中控制，gNB-DUs分布式处理。
• 该方案在海上和铁路通信等挑战性环境中表现出更高的吞吐量和更低的中断概率。
• 将人工智能集成到RRC和流量控制层，实现了资源分配和连接管理的自适应、实时优化。