[论文解读] Realtime Mobile Bandwidth and Handoff Predictions in 4G/5G Networks

Lifan Mei, Jinrui Gou+3 more|arXiv (Cornell University)|Apr 27, 2021

Advanced MIMO Systems Optimization被引用 5

一句话总结

本文提出了一种基于深度学习的实时移动带宽与4G/5G切换预测方法，针对纽约市MTA公共交通系统的长期轨迹数据，在固定路线移动场景中实现。该方法采用LSTM与梯度提升树模型，对未来带宽和切换状态的预测准确率超过80%，表明信道特征与上下文特征比仅使用带宽更具预测性。

ABSTRACT

Mobile apps are increasingly relying on high-throughput and low-latency content delivery, while the available bandwidth on wireless access links is inherently time-varying. The handoffs between base stations and access modes due to user mobility present additional challenges to deliver a high level of user Quality-of-Experience (QoE). The ability to predict the available bandwidth and the upcoming handoffs will give applications valuable leeway to make proactive adjustments to avoid significant QoE degradation. In this paper, we explore the possibility and accuracy of realtime mobile bandwidth and handoff predictions in 4G/LTE and 5G networks. Towards this goal, we collect long consecutive traces with rich bandwidth, channel, and context information from public transportation systems. We develop Recurrent Neural Network models to mine the temporal patterns of bandwidth evolution in fixed-route mobility scenarios. Our models consistently outperform the conventional univariate and multivariate bandwidth prediction models. For 4G \& 5G co-existing networks, we propose a new problem of handoff prediction between 4G and 5G, which is important for low-latency applications like self-driving strategy in realistic 5G scenarios. We develop classification and regression based prediction models, which achieve more than 80\% accuracy in predicting 4G and 5G handoffs in a recent 5G dataset.

研究动机与目标

• 解决4G/5G移动网络中带宽波动和频繁切换导致用户体验质量（QoE）下降的挑战。
• 通过预测未来带宽和接入模式变化，实现低延迟应用（如实时视频流和AR/VR）的主动适应。
• 探究在共存4G/5G环境中，对带宽和4G/5G切换事件进行实时预测的可行性与准确性。
• 开发利用信道质量、移动性与上下文特征时间模式的模型，以超越传统单变量方法的预测性能。

提出的方法

• 从纽约市MTA公共交通系统中收集了包含丰富特征（带宽、RSSI、SNR、移动性、位置、时间）的长期连续4G/LTE与5G轨迹数据。
• 应用长短期记忆网络（LSTM）与TPA-LSTM网络，对多变量信道与上下文数据中的时间依赖性进行建模，以预测未来带宽。
• 提出了一项新颖的5G/4G切换预测问题，因4G→5G与5G→4G切换在服务质量（QoS）影响上存在差异，故加以区分。
• 使用梯度提升机（GBM）进行二元切换分类，使用梯度提升回归（GBR）对后续时间窗口内5G接入概率进行连续预测。
• 采用5折交叉验证与超参数调优，以在真实移动数据上优化模型性能。
• 通过准确率、F1值、AUC、RMSE与ROC曲线等指标评估模型的判别能力与预测质量。

实验结果

研究问题

• RQ1 深度学习模型能否有效利用信道与上下文特征的时间模式，预测4G/5G网络中的未来移动带宽？
• RQ2 与单变量模型相比，引入多变量特征（如RSSI、SNR、移动性）在带宽预测中能带来多大提升？
• RQ3 在4G与5G接入模式性能差异显著的背景下，4G/5G切换在多大程度上可实现实时预测？
• RQ4 带宽特征的引入是否能提升切换预测的准确性，还是信道与移动性特征更具预测力？
• RQ5 为4G→5G与5G→4G切换分别建立独立模型，是否比使用单一统一模型获得更高的准确率？

主要发现

• TPA-LSTM模型在4G与5G轨迹数据中，均优于传统单变量与多变量带宽预测模型。
• 使用GBM模型的切换预测准确率超过80%，其中5G→4G切换的F1值为0.808，4G→5G切换的F1值为0.833。
• 在使用全部特征（不含与含带宽）时，AUC值分别达到0.82与0.83，表明判别能力较强；而仅使用带宽的模型AUC仅为0.65。
• 为4G→5G与5G→4G切换分别建立独立模型，性能优于单一统一模型，证实了两种切换方向行为模式的显著差异。
• 基于GBR的连续切换预测在预测未来8秒内5G接入比例时，RMSE为0.109，极端情况（ρ=0或ρ=1）下方差较低。
• 带宽与切换事件之间的相关性并不意味着因果关系；信道质量与移动性特征在切换预测中比带宽更具预测力。