User level traffic prediction in cellular network

IMDEA Networks es beneficiario de este proyecto
  • Financiado por: Huawei Innovation Research Program (HIRP)
  • Duración: Noviembre 2019 hasta Octubre 2020
  • Contacto: Joerg Widmer, Investigador Principal

El objetivo de este proyecto es aprovechar las técnicas de aprendizaje automático para realizar una predicción precisa del tráfico a nivel de usuario para mejorar el rendimiento de la asignación de recursos de radio. Desarrollaremos un marco de aprendizaje de máquina específico que, tomando como entrada los datos sobre los flujos de tráfico vistos desde puntos de vista dados (por ejemplo, una estación base o la red central móvil), es capaz de producir como salida los parámetros necesarios para dirigir los correspondientes mecanismos de asignación de recursos de red. Por ejemplo, la programación puede beneficiarse de conocer de antemano los requisitos de elasticidad y latencia de un flujo.

Nuestro marco de aprendizaje automático considerará dos tipos distintos de parámetros: (i) los relacionados con los requisitos de los diferentes flujos, como la elasticidad, los requisitos de latencia y la confiabilidad, y (ii) los relacionados con el tráfico generado, como el promedio y tasas pico, nivel de ráfagas, etc. Nótese que, para los últimos parámetros relacionados con la previsión de tráfico, podemos verificar a posteriori la precisión de nuestra predicción, y esta información se puede utilizar para mejorar aún más la precisión de nuestro algoritmo durante su ejecución. Por el contrario, esto no es posible para los parámetros de requisitos de flujo y, por lo tanto, en este caso, el proceso de aprendizaje se limitará a la fase de entrenamiento fuera de línea donde está disponible la información de la verdad del terreno etiquetada. Al diseñar nuestro marco de aprendizaje automático, evaluaremos el rendimiento de diferentes técnicas de aprendizaje automático, prestando especial atención al aprendizaje profundo que brinda una serie de ventajas: (i) las mejoras recientes en la capacidad computacional permiten un uso más generalizado de esta herramienta, (ii) ) se ha demostrado que supera los enfoques tradicionales de aprendizaje automático, y (iii) en un entorno con un conjunto muy rico de parámetros de entrada como el que se considera en este proyecto, esta técnica tiene el potencial de mejorar significativamente la precisión resultante en comparación con otros métodos.

Nuestro objetivo es pronosticar la capacidad necesaria para adaptarse a las futuras demandas de tráfico con el fin de anticipar la limitación de capacidad mínima para el tipo de tráfico dado. Por ejemplo, mientras que la banda ancha móvil mejorada (eMBB) el objetivo es realizar estimaciones de la capacidad para minimizar las violaciones de SLA en la mano y evitar el sobreaprovisionamiento, por otro lado, para el tráfico de comunicaciones de baja latencia (URLLC) ultra confiables, el objetivo es para evitar interrupciones por completo, por ejemplo, reservando recursos adicionales con respecto a las demandas previstas. Para el tráfico URLLC, nuestro objetivo es proporcionar un horizonte de predicción corto, del orden de decenas de milisegundos.

El proyecto diseñará un marco de aprendizaje automático y lo aplicará para optimizar la asignación de recursos de red y, específicamente, la programación. Al instanciar los algoritmos requeridos para dicho caso de uso, tendremos en cuenta las siguientes consideraciones: (i) los parámetros específicos necesarios para el caso de uso, los cuales son proporcionados por medio del aprendizaje automático, (ii) la máxima complejidad permitida, ( iii) el nivel de precisión requerido, (iv) el momento en el que debemos tomar una decisión y (v) si la decisión se puede reevaluar fácilmente más adelante. Simularemos todo el sistema, incluidos nuestros algoritmos de aprendizaje automático junto con un programador de última generación.