A Base Station Sleeping Strategy in Heterogeneous Cellular Networks Based on User Traffic Prediction
Date: 2014.06.17
Tag: [Heterogeneous cellular networks], [Traffic forecasting], [Energy saving], [SINR], [Quality of service], [BLSTM]
- Abstract
- 논문의 구조
- 1. Why this paper
- 2. Paper Summarization
- 3. Take Away
Abstract
셀룰러 네트워크의 실시간 트래픽은 시간에 따라 변하며, 주간/야간과 같은 tide 패턴을 보임. 이 특성을 활용하여 네트워크 전반에 분산된 작업 부하를 소수의 기지국으로 통합하여 에너지 소비를 줄일 수 있음. 본 연구는 Macro 기지국과 Micro 기지국으로 구성된 2단계 HetNet을 대상으로 기지국 절전 전략을 제안함. BLSTM(Bidirectional Long Short-Term Memory)을 이용하여 각 사용자의 미래 트래픽을 예측하고, 이를 기반으로 MiBS의 절전 및 User association 재배치를 수행함. Micro 기지국은 항상 활성 상태를 유지하며, 사용자 서비스 품질은 SINR 임계값을 준수하도록 보장함.
논문의 구조
- Introduction
- Related Work
- System Model
- Problem Formulation
- Proposed MiLSF Strategy
- Numerical Results
- Conclusion
1. Why this paper
- SKT 트래픽 예측 논문 레퍼런스 조사
- 트래픽 예측을 통한 Cell on/off
1.1 What is the research topic and why was it chosen?
- 연구 주제: HetNet에서 사용자 트래픽 예측을 활용한 에너지 절감 전략
- 선택 이유
- 트래픽의 급격한 증가로 네트워크 에너지 소비가 크게 증가함
- 에너지 소비를 줄이는 것은 운영 비용 절감과 온실가스 배출 감소를 위해 매우 중요함
1.2 What are the objectives of the study?
- 낮은 부하 시간대에 기지국 절전 전략을 개발하여 이종 셀룰러 네트워크의 에너지 소비를 줄이는 것
- BLSTM(Bidirectional Long Short-Term Memory) 신경망을 활용하여 사용자별 트래픽 수요를 정확히 예측
- 모든 사용자의 QoS를 유지하며, 사전에 정의된 SINR(신호 대 간섭 잡음비) 임계값을 충족하도록 보장
1.3 What methods were used to conduct the research?
- 트래픽 예측: BLSTM 신경망을 사용해 과거 트래픽 데이터를 기반으로 사용자별 미래 트래픽을 예측
- 네트워크 모델링: HetNet을 Macro BS와 Micro BS로 구성된 2단계 네트워크로 모델링하고, 기지국 위치를 PPP와 MHCPP로 시뮬레이션
- 제안된 전략: MiLSF(Minimum Load Sleep First) 전략을 개발하여 부하가 적은 MiBS를 우선적으로 절전 모드로 전환하고, 사용자를 활성 기지국으로 재배치
- 시뮬레이션: 다양한 배치 시나리오와 네트워크 조건에서 MiLSF와 기존 절전 전략 4가지를 비교 분석
1.4 What results were obtained?
- MiLSF는 기존 4가지 전략(Randomly Sleep, Randomly Reallocate Users, Clsest User Reallocation, Closest Base Station Sleep First)보다 모든 시나리오에서 우수한 에너지 절약 성과를 보임
- MHCPP를 활용한 기지국 배치가 PPP보다 높은 에너지 절약 효과를 가져옴
- 중간 수준의 사용자 트래픽 부하와 적당한 SINR 임계값에서 에너지 절약 효과가 극대화됨
- MiLSF는 사용자를 효과적으로 재배치하여 더 많은 MiBS를 절전 모드로 전환할 수 있었음
1.5 What is the significance of the results?
- 에너지 효율성: HetNet에서 에너지 소비를 효과적으로 줄이는 실질적이고 실현 가능한 방법 제시
- 서비스 품질 보장: 에너지 절약과 사용자 QoS 동시에 달성
- 연구 기여: AI 기반 트래픽 예측과 에너지 효율적 네트워크 운영 전략의 통합 가능성을 제시하여 관련 연구를 발전시킴
2. Paper Summarization
2.1 Introduction
- 연구 배경: 모바일 기기와 데이터 트래픽의 증가로 셀룰러 네트워크 에너지 소비 증가. 기지국이 네트워크 에너지 소비의 80% 이상 차지
- 문제점: 기존 네트워크는 에너지 효율성이 낮으며, 사용자 QoS를 유지하면서 에너지 소비를 줄이는 방법이 필요
- 제안 내용: BLSTM 기반 트래픽 예측을 통해 사용자별 트래픽을 분석하고, MiBS를 절전 상태로 전환하는 MiLSF 전략을 제안
- 목표: 에너지 소비 감소와 서비스 품질 유지
2.2 Related Work
- 에너지 절감 HeCN 연구: MiBS를 활용한 네트워크 효율성 개선 방안 연구
- 트래픽 예측: ARIMA, RNN, LSTM 등 다양한 모델 사용. BLSTM은 특히 시간 종속성을 잘 학습하여 높은 예측 정확도를 제공
- 기지국 절전 전략: 사용자 할당 및 네트워크 부하 분산을 고려한 절전 방식 연구. 기존 연구는 BS 트래픽 예측에 초점, 사용자별 요구를 반영하지 못함
2.3 System Model
2.3.1 네트워크 구성
- 구조: 이종 셀룰러 네트워크(HeCN)는 Macro BS(MaBS)와 Micro BS(MiBS)으로 구성
- MaBS: 넓은 영역 커버리지, 높은 송신 전력, 항상 활성 상태 유지
- MiBS: 좁은 영역 커버리지, 낮은 송신 전력, 부하에 따라 절전 가능
- 배치 방식:
- PPP(Poisson Point Process): BS들이 독립적으로 배치되며, 현실적인 네트워크 배치를 모델링 가능
- MHCPP(Matern Hard-Core Point Process): PPP 기반 배치에서 BS 간 간섭을 줄이기 위해 최소 거리 제약 추가
2.3.2 트래픽 예측 모델
- BLSTM(Bidirectional Long Short-Term Memory)
- 과거 트래픽 데이터를 기반으로 사용자별 미래 트래픽 수요를 예측
- 양방향 정보 흐름으로 시간 의존성과 장기적인 패턴 학습 가능
- BLSTM은 높은 예측 정확도를 제공하며, 특히 피크 트래픽에서 RNN 및 ARIMA보다 우수
2.3.3 SINR 모델
| 기호 | 설명 | 단위 |
|---|---|---|
| \(S_{i,k}\) | 사용자 \(k\)가 기지국 \(i\)에서 수신한 SINR | dB |
| \(p_{\theta(i)}\) | 기지국 \(i\)의 송신 전력 (단일 안테나 기준) | W |
| \(f_{\theta(i)}\) | 기지국 \(i\)의 주파수 | Hz |
| \(w_{\theta(i)}\) | 기지국 \(i\)의 대역폭 | Hz |
| \(L_{i,k}\) | 사용자 \(k\)와 기지국 \(i\) 간의 경로 손실 | dB |
| \(\rho_{i,k}\) | 사용자 \(k\)와 기지국 \(i\) 간의 소규모 페이딩 계수 (Rayleigh fading, 지수분포) | - |
| \(\eta_0\) | 잡음 스펙트럼 밀도 (Noise spectral density) | W/Hz |
| \(d_{i,k}\) | 사용자 \(k\)와 기지국 \(i\) 간의 거리 | m |
| \(c\) | 빛의 속도 (\(3 \times 10^8\)) | m/s |
| \(\beta\) | 경로 손실 지수 (Path loss exponent) | - |
| \(\gamma_0\) | SINR 임계값 | dB |
| \(\Psi_{M}\) | 거대 기지국(MaBS) 집합 | - |
| \(\Psi_{S}\) | 소형 기지국(MiBS) 집합 | - |
| \(\Psi_{K}\) | 사용자 집합 | - |
| \(\theta(i)\) | 기지국 \(i\)의 유형 (MaBS: 1, MiBS: 2) | - |
2.3.3.1 기지국 유형 정의 (\(\theta(i)\))
기지국 \(i\)의 유형을 나타내는 이진 값: \[\theta(i) = \begin{cases} 1, & \text{if } i \in \Psi_{M}, \\ 2, & \text{if } i \in \Psi_{S}. \end{cases}\]
2.3.3.2 경로 손실 모델 (\(L_{i,k}\))
사용자 \(k\)와 기지국 \(i\) 간의 경로 손실: \[L_{i,k} = 20 \log \left( \frac{4 \pi f_{\theta(i)}^c}{c} \right) + 10 \beta \log(d_{i,k}), \quad \forall k \in \Psi_{K}, \ i \in \Psi_{M} \cup \Psi_{S}.\]
2.3.3.3 SINR 계산 (\(S_{i, k}\))
사용자 \(k\)가 기지국 \(i\)에서 수신한 SINR: \[S_{i,k} = \frac{p_{\theta(i)} \rho_{i,k} L_{i,k}^{-1}} {\sum_{j \in \Psi_{M} \cup \Psi_{S} \setminus \{i\}} p_{\theta(j)} \rho_{j,k} L_{j,k}^{-1} + \eta_0 w_{\theta(i)}}, \quad \forall k \in \Psi_{K}, \ i \in \Psi_{M} \cup \Psi_{S}.\]
2.3.4 BS 전력 소비 모델
| 기호 | 설명 | 단위 |
|---|---|---|
| \(\mu_i(t)\) | 시간 \(t\)에서 기지국 \(i\)의 부하 비율 | - |
| \(\Psi_i^K(t)\) | 시간 \(t\)에 기지국 \(i\)에 연결된 사용자 집합 | - |
| \(P_{\theta(i)}^\alpha\) | 기지국 활성 상태 전력 소비 | W |
| \(\alpha_{\theta(i)}\) | 기지국 \(i\)의 송신 안테나 개수 (MaBS: \(\alpha_1\), MiBS: \(\alpha_2\)) | - |
| \(p_{\theta(i)}^{c}\) | 기지국 \(i\)의 회로 전력 소비(절전 상태) | W |
2.3.4.1 사용자 요구 대역폭 계산
사용자 \(k\)가 기지국 \(i\)에 연결되었을 때, 주어진 시간 \(t\)에서 SINR이 임계값 \(\gamma_{0}\) 이상이면, Shannon-Hartley 이론에 따라 요구 대역폭은 아래와 같이 계산 \[b_{i,k}(t) = \frac{r_k(t)}{\log_2 \left( 1 + S_{i,k} \right)}, \forall S_{i,k} \geq \gamma_0\]
2.3.4.2 기지국 부하 계산
기지국 \(i\)에 연결된 사용자들의 요구 대역폭으로부터 부하 비율을 계산할 수 있음. 시간 \(t\)에서 기지국 \(i\)의 부하는 다음과 같이 정의됨 \[\mu_i(t) = \sum_{k \in \Psi_K^i(t)}\frac{b_{i,k}(t)}{w_{\theta(i)}}\]
2.3.4.3 기지국 전력 소비 모델
활성 상태에서의 기지국 \(i\)의 전력 소비는 송신 전력과 회로 전력으로 나뉨 \[P_{\theta(i)}^{\alpha}(t) = \alpha_{\theta(i)}p_{\theta(i)}\mu_i(t) + p_{\theta(i)}^c\]
2.3.5 BLSTM 모델
- BLSTM(Bidirectional Long Short-Term Memory)
- 시계열 데이터를 양방향으로 학습하는 RNN(Recurrent Neural Network)의 한 종류
- 과거와 미래 정보를 모두 활용하여 더 정확한 예측 수행
- LSTM의 구조를 확장하여 Long-term dependencies와 패턴을 효과적으로 학습함
- 사용 목적
- 네트워크 트래픽의 시간적 변화 패턴을 예측
- 각 사용자별 미래 트래픽을 정확히 예측하여 기지국 절전 저략에 활용
BLSTM 모델은 두 개의 LSTM 네트워크(Forward와 Backward)로 구성됨
- Forward LSTM: 입력 데이터를 시간 순서대로 처리하여 패턴을 학습
- Backward LSTM: 입력 데이터를 시간 역순으로 처리하여 추가적인 정보를 학습
- 두 결과를 병합하여 최종 출력값을 생성
2.4 문제 정의
- 목표: MiBS를 선택적으로 절전 상태로 전환해 네트워크 에너지 소비를 최소화
- 제약조건:
- 모든 사용자의 SINR이 임계값 이상이어야 함
- 각 사용자의 트래픽 요구량을 충족해야 함
- 기지국은 과부하 상태가 되어서는 안됨
- 최적화 문제: 에너지 소비를 최소화하는 MiBS 절전 전략 설계
2.4.1 변수 정의
- Action Vector(\(a_t^{\phi}(t)\))
- 기지국의 활성 상태를 나타내는 벡터
- \(a_{\phi}^{i}(t) = 1\): 시간 \(t\)에 기지국 \(i\)가 활성 상태
- \(a_{\phi}^{i}(t) = 0\): 시간 \(t\)에 기지국 \(i\)가 절전 상태
- 활성 및 절전 기지국 집합
- \(\mathcal{L}^{active}(t) = \{i \vert a_i^{\phi}(t = 1)\}\): 시간 \(t\)에 활성 상태인 기지국 집합
- \(\mathcal{L}^{active}(t) = \{i \vert a_i^{\phi}(t = 0)\}\): 시간 \(t\)에 절전 상태인 기지국 집합
- 최대 트래픽 요구량(\(R_k\))
2.4.2 최적화 목표
- \([T_1, T_2]\) 동안 두 계층 HeCN의 전체 에너지 소비를 최소화하는 것이 최적화 문제의 목표
- 총 전력 소비: 시간 \(t\)에 모든 기지국의 총 전력 소비는 다음과 같이 정의됨
2.5 Proposed MiLSF Strategy
Minimum Load Sleep First Algorithm(MiLSF)는 부하가 적은 MiBS부터 절전 상태로 전환하여 네트워크의 에너지 소비를 줄이는 전략임
2.5.1 알고리즘 목표
- 네트워크 에너지 소비를 줄이기 위해 부하가 낮은 MiBS를 절전 상태로 전환
- 사용자의 QoS를 유지하면서 기지국 부하를 재분배
2.5.2 알고리즘 절차
Step 1. 초기화
- 활성 상태의 모든 MiBS 집합을 정의
- 절전 상태 기지국 집합 초기화
Step 2. MiBS 부하 정렬
활성 상태 MiBS의 부하를 기준으로 오름차순 정렬 \[i_1, i_2, \ldots, i_N \in \mathcal{I}{\text{active}}(t), \quad \text{where } \mu{i_1}(t) \leq \mu_{i_2}(t) \leq \cdots \leq \mu_{i_N}(t)\]
Step 3. 절전 가능 여부 평가
부하가 가장 낮은 MiBS부터 절전 가능 여부를 평가
1. MiBS \(i\)의 사용자를 인접한 활성 기지국으로 재배치
\[\mu_j(t) = \mu_j(t) + \sum_{k \in \Psi_i^K(t)} \frac{b_{j,k}(t)}{w_{\theta(j)}}, \quad j \in \mathcal{I}_{\text{active}}(t) \setminus {i}.\]2. 제약 조건 확인
- 모든 사용자의 SINR: \(S_{j,k} \geq \gamma_0, \quad \forall k \in \Psi_i^K(t), \quad \forall j \in \mathcal{I}_{\text{active}}(t)\)
- 기지국 부하: \(\mu_j(t) \leq 1, \quad \forall j \in \mathcal{I}_{\text{active}}(t)\)
3. 조건이 만족되면 MiBS \(i\)를 절전 상태로 전환
\[a_i^\phi(t) = 0, \quad \mathcal{I}{\text{sleep}}(t) = \mathcal{I}{\text{sleep}}(t) \cup {i}\]4. 조건이 만족되지 않으면 MiBS \(i\)는 활성 상태 유지
Step 4: 반복
절전 가능 여부를 평가한 MiBS를 제외한 나머지 기지국으로 돌아가 Step 3을 반복, 모든 MiBS를 평가할 때까지 반복함
2.5.3 알고리즘 종료 조건
- 모든 MiBS를 평가한 후 더 이상 절전 상태로 전환할 수 없는 경우 알고리즘 종료
- 절전 상태 기지국 집합 \(\mathcal{J}_{sleep}(t)\)과 활성 상태 기지국 집합 \(\mathcal{J}_{active}(t)\) 반환
Numerical Results
실험 목표
- BLSTM 기반 트래픽 예측 모델과 MiLSF 알고리즘의 성능 평가
- 기존 절전 전략과의 비교를 통해 MiLSF의 에너지 효율성 및 QoS 유지 능력을 검증
BLSTM 트래픽 예측 성능
실험 설정
- 다양한 트래픽 패턴에서 BLSTM의 예측 성능 평가
- 비교 모델: RNN, ARIMA
결과 요약
예측 정확도:
- BLSTM은 RNN 및 ARIMA 보다 Mean Absolute Error(MAE)와 Root Mean Square Error(RMSE)에서 더 낮은 값을 기록
- 특히 트래픽 피크 시간에서 예측 성능이 우수
시계열 데이터의 학습:
- BLSTM은 양방향 학습을 통해 장기적이고 복잡한 트래픽 변화를 더 잘 포착 을
MiLSF 알고리즘 성능
실험 설정
- 다양한 네트워크 부하와 배치 조건에서 MiLSF와 기존 절전 전략의 비교. 추가적으로 low-load 기간(10:00 p.m. - 6:00 a.m.)에는 user들의 움직임이 없는 것으로 고려하였음.
\(\rightarrow\) 결정한 MiBS들을 10:00 p.m. - 6:00 a.m.에 sleep 모드로 전환 \(\rightarrow\) 이 시간대 sleep 할 최적의 MiBS들을 고르는 것이 중요
- 비교 전략
- Randomly Sleep(RS): 임의로 기지국을 절전 모드로 전환
- CUR(Closest User Reallocation): 사용자 재배치를 통해 가까운 기지국 연결
- CBSSF(Closest Base Station Sleep First): 가장 가까운 기지국부터 절전
결과 요약
- 에너지 절감
- MiLSF가 RS, CUR, CBSSF보다 에너지 소비를 크게 줄임
- 특히 네트워크 부하가 낮은 시나리오에서 에너지 절감률이 가장 높음
- 기지국 배치의 영향
- PPP 배치: MiLSF가 효율적으로 작동하며, 부하 분산 효과를 극대화
- MHCPP 배치: 간섭이 줄어들며, MiLSF의 에너지 절감률이 더욱 향상
- 사용자 수의 영향
- 사용자 수가 증가할수록 MiLSF는 에너지 절감률을 유지하면서 QoS를 만족
- 기존 전략은 사용자 증가 시 QoS가 약화되는 경향을 보임
- SINR 임계값 변화
- 높은 SINR 임계값에서도 MiLSF는 QoS를 유지하며, 에너지 절감 효과를 제공
- 절전 기지국 개수 변화
- 네트워크 부하가 낮을수록 더 많은 MiBS를 절전 상태로 전환 가능
- MiLSF는 절전 가능한 MiBS의 개수를 최대화하면서 QoS를 유지
- 네트워크 부하가 증가하면 MiBS를 활성 상태로 유지해야 하므로 절전 기지국 개수 감소
Future Work
- 빔포밍, 전력 제어와 같은 간섭 완화 기법 통합
- 동적으로 변화하는 네트워크 환경에서의 적용
- 트래픽 예측의 개선
3. Take Away
- 시뮬레이션 파라미터들을 참고하여 NS-3에서 사용
- 10 p.m. - 6 a.m. 까지 사용자를 고정시킨 후 cell on/off를 실행
- 예측 알고리즘과 on/off 알고리즘의 결합
