스마트미디어저널 (Smart Media Journal)

  • 제13권4호
  • /
  • Pages.33-48
  • /
  • 2024
  • /
  • 2287-1322(pISSN)
  • /
  • 2288-9671(eISSN)
한국스마트미디어학회 (THE KOREAN INSTITUTE OF SMART MEDIA)
권호 표지
DOI QR코드

DOI QR Code

DDPG 및 연합학습 기반 5G 네트워크 자원 할당과 트래픽 예측

5G Network Resource Allocation and Traffic Prediction based on DDPG and Federated Learning

  • 박석우 (군산대학교 전자정보공학부) ;
  • 이오성 (군산대학교 전자정보공학부) ;
  • 나인호 (군산대학교 컴퓨터소프트웨어학부)
  • 투고 : 2024.04.22
  • 심사 : 2024.04.26
  • 발행 : 2024.04.30
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

향상된 모바일 광대역(eMBB), 초저지연 및 고신뢰 통신(URLLC), 대규모 기계형 통신(mMTC) 등의 특징을 가진 5G의 등장으로 인해 효율적인 네트워크 관리와 서비스 제공을 위해 증가하는 네트워크 트래픽과 복잡성 해결이 시급한 상황이다.본 논문에서는 기계학습(Machine Learning, ML) 및 딥러닝(Deep Learning, DL)기술을 활용하여 5G 네트워크의 초고속, 초저지연, 초연결성이라는 주요 과제를 해결하면서 네트워크 슬라이싱 및 자원 할당을 동적으로 최적화하는 새로운 접근 방식을 제시한다. 제안된 기법에서는 네트워크 트래픽 및 자원 할당에 대한 예측 모델, 네트워크 대역폭 및 지연 시간을 최적화하면서 동시에 개인 정보와 보안을 향상시키기 위한 연합 학습(FL) 기법을 사용한다. 특히, 본 논문에서는 랜덤 포레스트와 LSTM 등 다양한 알고리듬과 모델의 구현 방법에 대해 자세히 다루며, 이를 통해 5G 네트워크 운영의 자동화와 지능화를 위한 방법론을 제시한다. 마지막으로 제안된 기법을 통해 5G 네트워크에 ML 및 DL을 적용하여 얻을 수 있는 성능향상 효과를 성능평가 및 분석을 통해 검증하고 다양한 산업 응용 분야에서 네트워크 슬라이싱 및 자원 관리 최적화를 위한 솔루션을 제시한다.

With the advent of 5G, characterized by Enhanced Mobile Broadband (eMBB), Ultra-Reliable Low Latency Communications (URLLC), and Massive Machine Type Communications (mMTC), efficient network management and service provision are becoming increasingly critical. This paper proposes a novel approach to address key challenges of 5G networks, namely ultra-high speed, ultra-low latency, and ultra-reliability, while dynamically optimizing network slicing and resource allocation using machine learning (ML) and deep learning (DL) techniques. The proposed methodology utilizes prediction models for network traffic and resource allocation, and employs Federated Learning (FL) techniques to simultaneously optimize network bandwidth, latency, and enhance privacy and security. Specifically, this paper extensively covers the implementation methods of various algorithms and models such as Random Forest and LSTM, thereby presenting methodologies for the automation and intelligence of 5G network operations. Finally, the performance enhancement effects achievable by applying ML and DL to 5G networks are validated through performance evaluation and analysis, and solutions for network slicing and resource management optimization are proposed for various industrial applications.

키워드

과제정보

이 논문은 2023년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임 (No. 2021R1A2C2014333).

참고문헌

  1. Noohani M. Z., Magsi K. U., "A Review of 5G Technology: Architecture, Security and Wide Applications", International Research Journal of Engineering and Technology(IRJET), vol. 7, no. 5, pp. 3440-3471, May 2020.
  2. Hakak S., Gadekallu T. R., Maddikunta P. K. R., Ramu S. P., Parimala M., De Alwis C., Liyanage M., "Autonomous Vehicles in 5G and beyond: A Survey", Vehicular Communications, vol. 39, Feb. 2022.
  3. Alenoghena C. O., Ohize H. O., Adejo A. O., Onumanyi A. J., Ohihoin E. E., Balarabe A. I., Okoh S. A., Kolo E., Alenoghena B., "Telemedicine: A Survey of Telecommunication Technologies, Devel- opments, and Challenges", Journal of Sensor and Actuator Networks, vol. 12, no. 2, Mar. 2023.
  4. Khujamatov K., Khasanov D., Reypnazarov E., Akhmedov N., "Existing Technologies and Solutions in 5G-Enabled IoT for Industrial Automation", Blockchain for 5G-Enabled IoT, pp. 181-221, Apr. 2021.
  5. Li S., Da Xu L., Zhao S., "5G Internet of Things: A survey", Journal of Industrial Information Integration, vol. 10, Jun. 2018.
  6. Shayea I., Ergen M., Azmi M. H., Colak S. A., Nordin R., Daradkeh Y. I., "Key Challenges, Drivers and Solutions for Mobility Management in 5G Networks: A Survey", IEEE Access, vol. 8, pp. 172534-172552, Sep. 2020.
  7. Ojijo M. O., Falowo O. E., "A Survey on Slice Admission Control Strategies and Optimization Schemes in 5G Network", IEEE Access, vol. 8, pp. 14977-14990, Jan. 2020.
  8. Xu Y., Gui G., Gacanin H., Adachi F., "A Survey on Resource Allocation for 5G Heterogeneous Networks: Current Research, Future Trends, and Challenges", IEEE Communications Surveys & Tutorials, vol. 23, no. 2, pp. 668-695, Feb. 2021.
  9. Salhab N., Langar R., Rahim R., "5G Network Slices Resource Orchestration Using Machine Learning Techniques", Computer Networks, vol. 188, Apr. 2021.
  10. Yan M., Feng G., Zhou J., Sun Y., Liang Y. C., "Intelligent Resource Scheduling for 5G Radio Access Network Slicing", IEEE Transactions on Vehicular Technology, vol. 68, no. 8, pp. 7691-7703, Jun. 2019.
  11. Zhang C., Xie Y., Bai H., Yu B., Li W., Gao Y., "A Survey on Federated Learning", Knowledge-Based Systems, vol. 216, Mar. 2021.
  12. Li Q., Wen Z., Wu Z., Hu S., Wang N., Li Y., Liu X., He B., "A Survey on Federated Learning Systems: Vision, Hype and Reality for Data Privacy and Protection", IEEE Transactions on Knowledge and Data Engineering, vol. 35, no. 4, pp. 3347-3366, Apr. 2023.
  13. Breiman L., "Random Forests", Machine learning, vol. 45, pp. 5-32, 2001.
  14. Hochreiter S., Schmidhuber J., "Long Short-Term Memory", Neural Computation, vol. 9, no. 8, pp. 1735-1780, Nov. 1997.
  15. Lillicrap T. P., Hunt J. J., Pritzel A., Heess N., Erez T., Tassa Y., Silver D., Wierstra D., "Continuous Control with Deep Reinforcement Learning", arXiv, Sep. 2015.
  16. Hamilton W., Ying Z., Leskovec J., "Inductive Representation Learning on Large Graphs", Advances in Neural Information Processing Systems, 2017.
  17. Thantharate A., Paropkari R., Walunj V., Beard C., "DeepSlice: A Deep Learning Approach Towards an Efficient and Reliable Network Slicing in 5G Networks", Annual Ubiquitous Computing, Electronics & Mobile Communication Conference(UEMCON), pp. 762-767, Feb. 2020.
  18. Song F., Li J., Ma C., Zhang Y., Shi L., Jayakody D. N. K., "Dynamic Virtual Resource Allocation for 5G and Beyond Network Slicing", IEEE Open Journal of Vehicular Technology, vol. 1, pp. 215- 226, Apr. 2020.
  19. Esteves J. J. A., Boubendir A., Guillemin F., Sens P., "A Heuristically assisted Deep Reinforcement Learning Approach for Network Slice Placement", IEEE Transactions on Network and Service Management, vol. 19, no. 4, pp. 4794-4806, Dec. 2022.
  20. Zahedi S. R., Jamali S., Bayat P., "A Power-Efficient and Performance-aware Online Virtual Network Function Placement in SDN/NFV-enabled Networks", Computer Networks, vol. 205, Mar. 2022.
  21. Zhao S., "Energy Efficient Resource Allocation Method for 5G Access Network Based on Reinforcement Learning Algorithm", Sustainable Energy Technologies and Assessments, vol. 56, Mar. 2023.
  22. Brik B., Ksentini A., "On Predicting Service-Oriented Network Slices Performances in 5G: A Federated Learning Approach", Local Computer Networks(LCN), pp. 164-171, Nov. 2020.
  23. Verma R., Sivalingam K. M., "Federated Learning Approach for Auto-Scaling of Virtual Network Function Resource Allocation in 5G-and-Beyond Networks", Cloud Networking(CloudNet), pp. 242-246, Nov. 2022.
  24. Hamilton W., Ying Z., Leskovec J., "Inductive Representation Learning on Large Graphs", Advances in Neural Information Processing Systems, 2017.