使用ML的数据驱动控制如何提高5G网络性能

5G正在迅速从理想化的未来过渡到非常现实的现在。首款支持5G的iPhone已经发布。与所有新一代升级一样,5G有望在其前代产品上显着提高速度。 4G-LTE的峰值下载速率为100Mbit / s,平均为25-50Mbit / s。与之形成鲜明对比的是,5G最高可提供1.8Gbps的速度,将近提高了20倍。此外,5G具有较低的延迟,主要的延迟因素是通话时间。 Verizon报告的延迟低于 提前部署30ms。在用户移动性,能效和同时连接数方面都有其他收益。

但是,这些更改并非免费提供。 5G部署需要对现有基础架构进行大量更改,以处理用于更高频率,波束成形,边缘计算等的新技术。幸运的是,这些基础结构的改进也使以前无法实现的应用程序成为可能。例如,5G有潜力 增强现实更持久.

5G系统生成的大量数据支持由数据驱动的数据驱动控制架构 机器学习,使5G变得更加强大和高效。在本文中,我们将讨论一种将机器学习应用于5G系统的体系结构。随着新架构和算法在未来几年中变得越来越普遍,它们可以为5G系统带来巨大的服务改进并节省成本。

新的5G技术

我们将首先提及5G随附的一些新技术,这些新技术可以使数据驱动架构成为现实。主要驱动程序与移动边缘计算(MEC)和无线电接入网(RAN)有关。

机电 将计算从集中式服务器移到更靠近不同区域中的移动数据用户的位置。通常,数据从基站转发到中央服务器。中央服务器处理数据并将响应发送回基站。考虑到中央服务器可以在全国范围内,距离基站大约一半,因此数据的往返时间大约为几十到几百毫秒,这限制了蜂窝网络的响应能力。

机电 将分散式计算带到了蜂窝网络。计算设备而不是单个中央服务器,而是分布在全国各地,每个服务区域一个或多个。处理等待时间的这种减少使算法比以前可能的复杂得多,尤其是实时算法和特定于区域的算法。

图1传统(左)网络架构和5G(右)网络架构延迟之间的比较。

数据驱动5G架构的第二个关键驱动因素是无线电接入网络(RAN)的改进。 RAN负责将数据从用户设备传输到核心网络。 5G技术为RAN添加了多个频带,波束成形和大规模MIMO。这些允许在如何将数据传递给用户方面进行巨大的可重新配置性,但是它们在编排方面提出了挑战。这种可重新配置性使例如拥挤的音乐会能够大大改善服务质量。

在里面 第一套完整的5G标准,3GPP指定将前几代的基站拆分为多个独立的单元作为5G标准。他们建议将基站分为中央单元,分布式单元和无线电单元(分别为CU,DU和RU)。 5G RAN的分散,灵活的特性可基于来自每个服务区域中数千个单元的数据来实现复杂的控制方案。

数据驱动的蜂窝架构

利用分布式RAN的一种可能的数据驱动体系结构包括以下内容:

  • 云控制器,用于管理给定服务区域的RAN控制器
  • RAN控制器,用于协调集中式单元和分散式单元,以处理用户设备操作,例如RAN传输和负载平衡
  • 处理数据传递操作的集中式和分布式单元
  • 控制射频收发器的无线电单元,这些射频收发器通过无线方式传输数据

通过以下方式更详细地介绍和描述了此体系结构 se等。 在本文中,他们提出了一种用于蜂窝网络的基于边缘控制器的架构,并使用来自美国一家主要运营商的数百个基站的真实数据来评估其性能。他们根据用户的全球移动性模式提供有关如何动态集群和关联基站和控制器的见解。

云和RAN控制器,甚至集中式单元都可以部署在MEC中。组件的分布为协议栈中的不同层提供了关注点分离,因此,允许云和RAN控制器做出更高级别的决策,而不必担心诸如信道编码和波束成形之类的低级别操作。

图2。Polese等人提出的5G分布式控制架构。

例如,RAN控制器可以聚合来自其所有相应集中式和分布式单元的数据,并运行机器学习算法以实时优化服务。然后,云控制器可以聚合来自多个RAN控制器的数据,并确定哪种算法表现最佳。它还可以创建用户行为的估计值,并可以全天监视不同区域的网络拥塞情况。

机器学习

极 se等。在来自加利福尼亚一家蜂窝提供商的真实4G-LTE数据上测试了其架构。 LTE架构是完全分布式的,但它没有5G架构中现有的聚合和数据共享。他们的研究发现,与LTE架构相比,如上所述的基于控制器的5G架构通过聚合来自云和RAN控制器中多个来源的数据,大大提高了预测准确性。这种从众多来源获取信息的途径使该体系结构成为新的数据驱动策略和机器学习的理想候选者。可以在云和RAN控制器上运行算法,这些算法可以将决策传播到它们各自的CU,DU和RU。

在机器学习算法方面,Polese等人。对随机森林,贝叶斯山脊和高斯过程回归器进行了实验。作者使用这些算法来预测不同的关键绩效指标。作者还尝试了基于群集的方法,而不是基于本地的方法。基于集群的方法尝试根据位置或数据对控制器进行分组。作者发现,基于数据的聚类更为有效。基于数据的群集必须根据网络活动进行定期更新,这需要网络开销才能在群集之间进行协调,但是作者发现,每日更新的性能与15分钟更新相当。

就RMSE(均方根误差)而言,最成功的算法是基于聚类的高斯过程回归变量,其次是基于聚类的随机森林和基于局部的贝叶斯岭。基于群集的GPR在1到10分钟的所有时滞方面均胜过所有其他算法。此外,与基于本地的方法相比,使用基于群集的方法可将RMSE降低53%,直接显示了5G架构相对于LTE的潜在改进。

关键要点

随着5G继续推出,将需要利用5G网络独特特性的新应用程序,以充分实现性能和效率提升。通过使用机器学习等数据驱动技术,RAN控制器可以协调分散式基站如何提供服务。在完全分散的LTE架构中简单添加数据共享可以使回归算法的RMSE降低53%,以这种精度预测负载,吞吐量和中断持续时间的能力对于有效管理网络非常有利。


亚历克斯·萨德·法尔肯(Alex Saad-Falcon)是国际知名研究机构的已发表研究工程师,负责内部和赞助项目。 Alex拥有佐治亚理工学院的电气工程硕士学位,并正在攻读机器学习博士学位。他是一位内容作家 Do Supply Inc..


相关内容:

要获得更多嵌入式产品, 订阅嵌入式’的每周电子邮件通讯.

发表评论

该网站使用Akismet减少垃圾邮件。 了解如何处理您的评论数据.