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走向非常现实的现在。第一款5G手机已经发布。与所有的一代升级一样,5G承诺比其前身的速度有很大的改进。4G-LTE提供的最高下载率为100M/秒,平均为25-50M/秒。与之形成鲜明对比的是,5g提供了高达1.8Gbps,改进了近20倍。此外,5G有较低的延迟,主要延迟贡献者是广播时间。其潜伏期为 在早期部署中 .在用户移动性、能源效率和同时连接的数量方面有更多的好处。

然而,这些变化并不是免费的。5G部署需要对现有基础设施进行广泛的修改,以处理更高频率、波束形成、边缘计算等新技术。幸运的是,这些基础设施的改进也使以前无法实现的应用程序成为可能。例如,5g有可能 强化现实更有说服力 .

5G系统生成的数据量之大,使数据驱动控制体系结构能够 机器学习 ,使5G更加强大和有效。在本文中,我们将讨论将机器学习应用于5G系统的架构。新的架构和算法可以带来巨大的服务改进和成本节约5G系统,因为它们在未来几年变得更加广泛。

新的5G技术

我们将首先提及一些带有5G的新技术,这些新技术使数据驱动的架构成为现实。主要驱动因素涉及移动边缘计算和无线电接入网络。

MK 移动计算从集中服务器更接近移动数据用户在不同地区。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向基站发送响应。由于中央服务器可以从基站到全国的一半,数据的往返时间约为几十至数百毫秒,这限制了蜂窝网络的响应能力。

MEC将分散式计算引入蜂窝网络。不是单一的中央服务器,而是分布在全国各地的计算设备,每个服务区域有一个或多个。这种处理延迟时间的减少使算法比以前可能的复杂得多,特别是实时和区域特定的算法。

传统(左)和5G(右)网络架构延迟时间的比较。

数据驱动的5G架构的第二个关键驱动程序是无线电接入网络改进。RAN负责将数据从用户设备传输到核心网络。5G技术增加了多个频带,波束形成,和大规模的MIMO。这些允许在如何向用户传递数据方面进行巨大的可重构性,但它们在编排方面提出了挑战。例如,这种可重构性使得拥挤的音乐会能大大改善服务。

在 第一套5G标准中 ,3GPP规定将前几代的基站分成不同的单元作为5G标准。他们建议将基站分成中央单位、分布单位和无线电单位(或分别为中央、中央和联邦)。5G运行系统的分权性和灵活性使基于每个服务区数千个单元数据的复杂控制计划成为可能。

数据驱动的蜂窝结构

一个可能的数据驱动架构可以利用分布式运行系统,包括以下内容:

· 管理给定服务区域运行控制器的云控制器

· RAN控制器负责协调集中和分散的单元,以处理用户设备操作,如运行传输和负载平衡

· 处理数据传送业务的中央和分布单位

· 无线电装置控制把数据放在空气中的射频收发器

这个架构的描述和描述更详细。 在本文中,他们提出了一种基于边缘控制的蜂窝网络结构,并利用美国一个主要基地站的数百个实际数据来评估其性能。操作员。它们根据用户的全局移动模式,提供了如何动态集群和关联基站和控制器的见解。

云和运行控制器,甚至中央单位都可以部署在MEC中。组件的分布为协议栈中的不同层提供了一个分离关注点,因此,允许云和运行控制器做出更高级别的决策,而不必担心像通道编码和波束形成这样的低级操作。

图2.波利斯等人提出的5G分布式控制架构。

例如,该控制器可以从其相应的集中和分布单元中收集数据,并运行机器学习算法,以实时优化服务。然后,云控制器可以从多个运行控制器中收集数据,并确定哪些算法的性能最好。它还可以创建一个用户行为的估计,并可以在一天中监视不同地区的网络阻塞。

机器学习

波利斯等人。在加州的一个手机供应商的实际4G-LTE数据上测试了他们的体系结构。LTE体系结构是完全分布的,但它没有5G体系结构中现有的聚合和数据共享。他们的研究发现,与LTE体系结构相比,如上所述,基于控制器的5G体系结构通过将来自云中多个来源的数据和运行控制器聚集起来,大大提高了预测的准确性。这种从众多来源获取信息的权限,使体系结构成为新的数据驱动策略和机器学习的一个很好的候选者。算法可以在云和运行控制器上运行,这些控制器可以将决策传播到它们各自的CUS、DUS和RUS。

在机器学习算法方面。随机林、贝叶斯岭和高斯过程回归器的实验。作者利用这些算法预测不同的关键性能指标.作者还试验了基于集群的方法,而不是基于本地的方法。基于集群的方法试图根据位置或数据对控制器进行分组。作者认为,基于数据的集群更为有效。基于数据的集群必须根据网络活动定期更新,这需要网络开销来协调集群之间的工作,但作者发现,每日更新的性能可与15分钟的更新相比。

最成功的算法是基于集群的高斯过程回归器,其次是基于集群的随机林和基于局部的贝叶斯岭。基于集群的GPR在1到10分钟的时间间隔中超过了所有其他算法。此外,与基于本地的方法相比,使用基于集群的方法可以使RMSE减少53%,这直接显示了5G体系结构在LTE上的潜在改进。

主要措施

随着5G继续推广,将需要利用5G网络的独特特性的新应用程序来充分实现性能和效率的提高。使用数据驱动技术,如机器学习,运行控制器可以安排如何分散的基站提供服务。简单地将数据共享添加到完全分散的LTE体系结构中,可以使RMSE减少53%的回归算法。以这种精确度预测负载、吞吐量和中断时间的能力非常有利于有效地管理网络。

20240908_66dd109bf1e7b__使用ML的数据驱动控制如何提高5G网络性能