0537- 6808158
網站首頁 >> 新聞中心 >>科技動態 >> 利用機器學習的數據驅動控制架構來提高5G網絡性能
详细内容

利用機器學習的數據驅動控制架構來提高5G網絡性能

时间:2021-03-09     【转载】

5G系統生成的龐大數據量驅動著以機器學習為主的數據驅動控制架構,這讓5G變得更加強大和高效。在本文中,我們將討論將機器學習應用于5G系統的體系結構。

5G正在從理想的未來迅速轉變為現實。首款支持5G的iPhone已經發布。與所有新一代升級一樣,5G承諾會在前代產品上有顯著的速度提升。 4G-LTE的峰值下載速率為100Mbit / s,平均為25-50Mbit / s。與之形成鮮明對比的是,5G最高可提供1.8Gbps的速度,幾乎提高了20倍。此外,5G具有更低的延遲,主要的延遲因素是無線傳輸時間。Verizon報告稱,早期部署的延遲不到30毫秒。5G在用戶移動性、能效和同時連接用戶數等方面都有額外的益處。

但是,這些改變并不是免費的。 5G部署需要對現有基礎設施進行大規模改造,以處理更高頻率、波束成形、邊緣計算等新技術。幸好這些基礎設施的改進也使以前無法實現的應用成為可能。例如,5G有潛力使增強現實(AR)更加現實。

5G系統生成的龐大數據量驅動著以機器學習為主的數據驅動控制架構,這讓5G變得更加強大和高效。在本文中,我們將討論將機器學習應用于5G系統的體系結構。隨著5G系統在未來幾年變得越來越普及,新的體系架構和新的算法可以為5G系統帶來巨大的服務改進并節省成本。

廣告

新的5G技術

我們將首先提及5G帶來的一些新技術,這些新技術使數據驅動架構成為現實,主要涉及移動邊緣計算(MEC)和無線接入網(RAN)。

MEC將計算從集中式服務器移至更靠近不同區域中的移動數據用戶的位置。通常,數據從基站轉發到中央服務器,由中央服務器處理數據并將響應發送回基站。假定中央服務器離基站有半個國家的距離,則數據的往返時間大約為數十到數百毫秒,這限制了蜂窩網絡的響應速度。

MEC將分散式計算帶到了蜂窩網絡。計算設備不再局限于單個中央服務器,而是分布在全國各地,每個服務區域設置一個或多個計算設備。這種處理延遲時間的減少使得算法比以前復雜得多,尤其是實時算法和特定區域的算法。

 

1傳統(左)和5G(右)網絡架構之間延遲的比較

數據驅動5G架構的第二個關鍵因素是無線接入網絡(RAN)的改進。 RAN負責將數據從用戶設備傳輸到核心網絡。 5G技術為RAN添加了多個頻帶,波束成形和大規模MIMO。這些改進在將數據傳輸給用戶方面提供了巨大的可配置性,但是它們在編組協調方面提出了挑戰。這種可配置性可使人數眾多的音樂會大大改善服務質量。

在第一套完整的5G標準中,3GPP指定將前幾代基站拆分為多個單獨的單元作為5G標準。他們建議將基站分為中央單元、分布式單元和無線電單元(分別為CU,DU和RU)。 5G RAN的分散、靈活的特性可基于來自每個服務區域中數千個單元的數據,來實現復雜的控制方案。

數據驅動的蜂窩架構

利用分布式RAN構建的一種可能數據驅動體系結構包括以下部分:

˙云控制器,用于管理指定服務區域的RAN控制器

˙RAN控制器,用于協調集中式單元和分散式單元,以處理用戶設備操作,例如RAN傳輸和負載平衡

˙集中式和分布式單元,處理數據傳輸操作

˙無線電單元,用于控制將數據無線傳輸的射頻收發器

Polese等人在其論文中詳細地介紹和描述了這種體系結構,該論文提出了一種基于邊緣控制器的蜂窩網絡架構,并使用來自美國一家主要運營商的數百個基站的真實數據來評估其性能。他們根據用戶的全球移動性模式,提供了有關動態集散和關聯基站和控制器的寶貴信息。

云和RAN控制器,甚至集中式單元都可以部署在MEC中。分布式組件為協議棧中的不同層分散了關注點,因此,云和RAN控制器可以做出更高級別的決策,而不必擔心如信道編碼和波束成形之類的底層操作。

2Polese等人提出的5G分布式控制架構。

例如,RAN控制器可以聚合來自相應集中式和分布式單元的所有數據,并運行機器學習算法以實時優化服務。然后,云控制器可以聚合來自多個RAN控制器的數據,并確定哪種算法表現最佳。此外,它還可以創建用戶行為評估模型,并可以全天候監視不同區域的網絡擁塞情況。

機器學習

Polese等人在加州一家蜂窩運營商的4G-LTE網絡上利用真實數據測試了其架構。 LTE架構是完全分布式的,但它沒有5G架構中現有的聚合和數據共享。他們的研究發現,與LTE架構相比,如上所述基于控制器的5G架構通過聚合來自云和RAN控制器中多個來源的數據,大大提高了預測準確性。這種從眾多資源獲取信息的途徑使該體系結構成為新的數據驅動策略和機器學習的理想選擇。在云和RAN控制器上運行算法后,這些算法可以將決策傳播到它們各自的CU、DU和RU。

在機器學習算法方面,Polese等人對隨機森林、貝葉斯山脊和高斯過程回歸進行了試驗。作者們使用這些算法來預測不同的關鍵績效指標,他們還嘗試了基于集群的方法(而不是基于本地的方法),根據位置或數據對控制器進行分組。結果發現,基于數據的集群更為有效,但必須根據網絡活動進行定期更新,這需要額外的網絡開銷才能在集群之間進行協調,但是作者發現每日更新的性能與15分鐘更新的性能差不多。

就RMSE(均方根誤差)而言,最成功的算法是基于集群的高斯過程回歸變量(GPR),其次是基于集群的隨機森林和基于本地的貝葉斯嶺;诩旱腉PR在1-10分鐘之間的所有時間延遲方面均優于其它算法。此外,與基于本地的方法相比,使用基于集群的方法可將RMSE降低53%,直接顯示了5G架構相對于LTE的潛在改進。

要點總結

隨著5G技術的持續發展,新應用將需要利用5G網絡的獨特性來充分實現性能和效率提升。利用機器學習之類的數據驅動技術,RAN控制器可以協調分散式基站所提供的服務。在完全分散的LTE架構中簡單添加數據共享即可使回歸算法的RMSE降低53%,以這種精度預測負載、吞吐量和中斷持續時間的能力對于有效管理網絡非常有幫助。

    郵箱2032156294@qq.com           電話:0537- 6808158   17686138996     郵編:272400
公眾號
手機網站
版權所有:山東盈和電子科技股份有限公司
技术支持: 山東水木科技 | 管理登录
5544444