[그림 3-21] 스몰셀-단말간직접통신 하이브리드 알고리즘 평균 시스템 총량
그림 3-21은 스몰셀과 D2D 기술을 하이브리드 형식의 알고리즘을 적용한 것과 스몰셀 간섭제어 및 D2D와의 시스템 성능을 비교한 그래프이다. 전체 성능은 스몰셀 파워컨트롤 알고리즘과 비교하여 1.1배에서 1.5배의 성능향상 부분이 있으며 50User 이전의 경우 전반적으로 하이브리드 형식이 우세하나 60이상부터는 성능차이가 스몰셀 간섭제어와 많이 차이나지 않음을 볼 수 있 다. 이는 유저 단말의 수가 증가함에 따라 간섭의 증가에 대한 사항임을 알 수가 있다.
제5절 요약
차세대 이동통신 시스템에서의 성능향상을 위하여 이기종네트워크 기술인 스몰셀 네트워크 기술과 D2D 네트워크 기술을 소개하였다. 시스템 구성에 대 하여 각 기술의 거리에 따른 Outage를 측정하여 시스템 파라미터에 의거하여 구축하였으며 랜덤 스몰셀 알고리즘과 매크로셀과 스몰셀의 SINR을 비교하여 연결을 수행하는 스몰셀 알고리즘, 스몰셀 파워컨트롤 알고리즘을 제안하였 으며 스몰셀 알고리즘 적용시 기존 매크로 시스템과 비교하여 1.92배에서 2.87배의 성능향상이 있으며 스몰셀 파워컨트롤 알고리즘을 적용시 활성 스 몰셀 기지국의 숫자를 유동적으로 조정하여 간섭량이 완화된 결과 스몰셀 알 고리즘 대비 1.12배에서 1.3배의 성능향상 부분을 볼 수 있었다. 스몰셀증가 에 따른 매크로 통신 Outage 측정에서는 활성 스몰셀 연결에 대한 조정으로 인하여 간섭량이 줄어들어 스몰셀 파워컨트롤 알고리즘 적용 시 Outage 부분 에 있어 높은 성능 향상 부분을 확인 할 수 있었다. 더 나아가 매크로 시스 템에 D2D 통신기법을 적용한 사항을 분석하였으며 1.6배에서 3.3배의 성능향 상 부분을 확인 할 수 있었으며 제안하는 스몰셀-D2D 하이브리드 알고리즘 적용시 스몰셀 파워컨트롤 알고리즘과 비교하여 1.1배에서 1.5배의 성능향상 부분을 확인 할 수 있었으며 50User 이전의 경우 전반적으로 하이브리드 방 식이 우세하나 60유저 이상부터는 성능차이가 줄어드는 현상이 있는 사항을 확인 할 수 있었으며 이는 유저의 D2D 통신수가 늘어남에 따른 사항으로 분 석 할 수 있다.
제4장 AI 기술 적용 시스템 성능 향상 기법 제1절 시스템 모델
1. 시스템 파라미터
[표 4-1]. 시스템 파라미터
Parameter Value
Cell radius 1km
eNB Power 20W [114]
Small Cell Power 10W[116]
UE Device 10~100
Small-Cell 100
Distribution Device Random
Simulation count 500
Machine Learning algorithm
Support Vector Machine Decision Tree Logistic regression
Train Data 40,000
Test Data 10,000
Pathloss eNB : 15.3+37.6logD
SBS : 38.46+20logD
표 4-1은 AI 적용에 대한 시스템 모델에 대한 파라미터 이다. 셀 반경은 1km 이 내이며 이동통신 단말의 수는 10개에서 100개까지 배치하며 스몰셀은 100개를 무 작위로 배치하는 구조를 설정한다. 매크로셀 통신과 스몰셀의 통신 결정에 AI 기 술인 머신러닝 알고리즘 중 지도학습 분류알고리즘인 서포트벡터머신, 결정트리 및 로지스틱회귀 방법을 적용하여 시뮬레이션을 진행한다.
제2절 스몰셀 머신러닝 알고리즘
Algorithm : Small Cell Machine Leaning Algorithm 1 User Number : N
2 Input Data : SBSl, MBSl, Userl, SINR, capacity 3 Data generate, Labeling
4 begin(Data, Label, Data Set) 5 Model = Creating Model 6 Train(Model, Data, Label) 7 Result = Predict
8 Small Cell Connection(Result) 10 end while
11 end
실제의 다변적인 환경에서는 여러 가지 변수로 인하여 고정적인 알고리즘 에 대한 적용은 오히려 시스템 성능을 하락시킬 수 있는 요인이 될 수도 있 다. 예를 들면 SINR이나 capacity로 매크로셀과 스몰셀 이용에 대한 결정을 할 경우 알고리즘에 의하여 최적의 값이 산출되는 쪽으로 연결을 할 것이나 이렇게 할 경우 몇몇 스몰셀 기지국에 다수의 단말이 연결되어 QoS가 하락하 는 문제가 발생 할 수 있다. 이러한 문제를 해결하기 위하여 스몰셀 연결 결 정에 머신러닝을 적용하여 수동적이 아닌 능동적으로 통신연결을 수행 할 수 있다.
알고리즘5는 머신러닝을 활용한 스몰셀 알고리즘으로서 첫단계로 데이터전 처리를 수행해야한다. 스몰셀 통신 시뮬레이션 진행으로 수집된 데이터는 50,000개의 데이터를 사용하였으며 이 데이터를 머신러닝을 위하여 데이터형 태로 가공해야한다. 그 다음 데이터를 학습용과 테스트용 데이터로 나누는 작업을 진행하는 instance selection과 partitioning을 진행한다.
기본 데이터 셋은 매크로기지국의 위치, 스몰셀기지국의 위치, 유저의 위 치, SINR, capacity 값으로 이루어져 있다. 라벨링 작업은 SINR과 capacity 를 계산하여 유저의 위치에서 높은 처리량을 갖는 기지국을 선택하게 하는 방식으로 이진수로 진행한다. 본 논문에서는 지도학습 방식으로 해당위치에 서의 통신방식을 레이블링하여 그 정답에 대한 것을 학습시켜 자율적으로 선
택 할 수 있게 하는 모델을 만들었다.
머신러닝 알고리즘은 스몰셀 연결방법의 결정을 하고자 지도학습의 분류방 법으로 SVM, Logistic, Decisiontree 알고리즘을 사용하였다. 분류 알고리즘 의 결과 SVM 알고리즘의 결과가 우수하게 나오게 되어 SVM에 대하여 이중학 습방법을 적용하여 수행하였으며 이중학습 데이터는 스몰셀 파워컨트롤 값을 추가하여 시뮬레이션을 진행하였다.