모델링 비를 통한 장기 5G 네트워크 트래픽 예측

통신 공학 2권, 기사 번호: 33(2023) 이 기사 인용

측정항목 세부정보

5G 셀룰러 네트워크는 최근 다양한 신규 애플리케이션을 육성했지만, 그 인기로 인해 네트워크 확장을 훨씬 능가하는 트래픽 증가로 이어졌습니다. 이러한 불일치로 인해 네트워크 품질이 저하되고 심각한 성능 문제가 발생할 수 있습니다. 위험을 줄이려면 운영자는 몇 달 전에 네트워크 확장 계획을 수행하기 위한 장기 트래픽 예측이 필요합니다. 그러나 장기 예측 범위는 계열 데이터의 비정상성을 노출시켜 기존 접근 방식의 성능을 저하시킵니다. 우리는 고정 프로세스를 잘 설계된 계층 구조에 통합하고 다중 규모의 안정적인 기능을 갖춘 비정상 시계열을 모델링하는 딥 러닝 모델인 Diviner를 개발하여 이 문제를 해결합니다. 우리는 복잡한 흐름 패턴을 가진 대규모 포트에 대한 상세한 월별 예측을 통해 5G 네트워크 트래픽 예측 분야에서 현재 최첨단 수준에 비해 Diviner의 실질적인 성능 개선을 보여줍니다. 광범위한 실험을 통해 수정 없이 다양한 예측 시나리오에 적용할 수 있으며 더 광범위한 엔지니어링 문제를 해결할 수 있는 가능성을 보여줍니다.

5G 기술은 최근 더 빠른 전송 속도, 더 넓은 대역폭, 안정성 및 보안으로 인해 전 세계적으로 인기를 얻고 있습니다. 5G 기술은 더 낮은 대기 시간으로 4G보다 20배 더 빠른 이론상 최고 속도를 달성할 수 있어 온라인 게임, HD 스트리밍 서비스, 화상 회의와 같은 애플리케이션을 홍보할 수 있습니다1,2,3. 5G의 발전은 놀라운 속도로 세상을 변화시키고 있으며 원격 의료, 자율 주행, 확장 현실과 같은 신흥 산업을 육성하고 있습니다4,5,6. 이러한 산업과 기타 산업에서는 네트워크 트래픽이 1000배 증가할 것으로 예상되며, 이러한 증가하는 서비스와 애플리케이션을 수용하려면 추가 용량이 필요합니다7. 그럼에도 불구하고 보드 카드 및 라우터와 같은 5G 인프라는 엄격한 비용 고려 사항을 고려하여 배포 및 관리되어야 합니다8,9. 따라서 운영자는 단편화된 네트워크 간의 대규모 연속 장치 및 링크를 피하기 위해 분산 아키텍처를 채택하는 경우가 많습니다10,11,12,13. 그림 1a에서 볼 수 있듯이 신흥 대도시 라우터는 서비스에 효과적으로 액세스하고 통합할 수 있는 도시 액세스 라우터를 연결하는 허브입니다. 하지만 5G 기기의 구축 주기는 일정을 잡고 조달하고 배치하는 데 약 3개월이 소요된다. 새로운 인프라를 계획하려면 용량 활용도가 미리 설정된 임계값을 초과하는 순간을 예측하기 위해 몇 달 전에 정확한 네트워크 트래픽 예측이 필요하며, 과부하된 용량 활용도가 궁극적으로 성능 문제로 이어질 수 있습니다. 또 다른 문제는 조악한 5G 인프라 구축으로 인한 자원 과잉 문제이다. 이러한 위험을 완화하기 위해 운영자는 장기 네트워크 트래픽 예측을 통해 몇 달 전에 네트워크 확장 계획을 수립합니다. 이를 통해 네트워크 인프라 업그레이드 및 확장을 위한 장기 계획을 촉진하고 다음 계획 기간에 대비할 수 있습니다14,15,16,17.

a 당사는 MAR–MER 링크에서 데이터를 수집합니다. 주황색 원통은 MER(Metropolitan Emerging Router)을 나타내고 연한 파란색 원통은 MAR(Metropolitan Accessing Router)을 나타냅니다. b 도입된 2D → 3D 변환 과정을 보여주는 그림입니다. 구체적으로, K일에 걸친 시계열 네트워크 트래픽 데이터가 주어지면 시계열 행렬 \(\widetilde{{{{{{{\bf{X}}}}}}}}}=[{\tilde {{{{{{{{\bf{x}}}}}}}}}}_{1}\,\,{\tilde{{{{{{{\bf{x}}}}}} }}}}}_{2}\,\,\ldots \,\,{\tilde{{{{{{{\bf{x}}}}}}}}}}_{K}]\ ), 여기서 각 \({\tilde{{{{{{\bf{x}}}}}}}}}}}_{i}\)는 길이 T의 하루 동안의 교통 데이터를 나타냅니다. 결과 3D 플롯은 표준화된 인비트 트래픽을 사용하여 매일의 시간 단계, 일별 시간 단계 및 x, y 및 z 축을 따른 인비트 트래픽을 각각 표시합니다. 2D 플롯의 파란색 선과 3D 플롯의 옅은 빨간색 평면의 원점 근처 측면은 과거 네트워크 트래픽을 나타내고, 2D 플롯의 노란색 선과 3D 플롯의 옅은 빨간색 평면의 원점에서 먼 쪽은 플롯은 예측할 향후 네트워크 트래픽을 나타냅니다. c 제안된 Diviner의 전반적인 작업 흐름. 파란색 실선은 데이터 스트림 방향을 나타냅니다. Diviner의 인코더 및 디코더 블록에는 모두 평활 필터 주의 메커니즘(노란색 블록), 차이 주의 모듈(연한 보라색 블록), 잔여 구조(연한 녹색 블록) 및 피드포워드 레이어(회색 블록)가 포함되어 있습니다. 마지막으로 동적 디코딩을 시퀀스 생성 절차로 변환하기 위해 1단계 컨볼루션 생성기(마젠타 블록)가 사용됩니다.

Autoformer > Transformer > Informer. This order aligns with the non-stationary factors considered in these models and verifies our proposal that incorporating non-stationarity promotes neural networks’ adaptive abilities to model time series, and the modeling multi-scale non-stationarity other breaks through the ceiling of prediction abilities for deep learning models./p>

NBeats > Transformer > Autoformer > Informer > LSTM, where Diviner surpasses all Transformer-based models in the selected baselines. Provided that the series data is not that non-stationary, the advantages of Autoformer's modeling time series non-stationarity are not apparent. At the same time, capturing stable long- and short-term dependencies is still effective./p>