5G 네트워크에서 지도 기계 학습을 이용한 자원 할당 시스템에 관한 연구 = A Study on Resource Allocation System using Supervised Machine Learning in 5G Networks

국문 초록 (Abstract)

최근, 기존 무선 네트워크를 이용한 서비스를 제공하는 산업들이 급증하고 있다. 이러한 서비스들은 기존 무선 네트워크의 효율성 손실 및 과부하와 같은 문제를 야기한다. 게다가 모바일 통신에 최적화 된 기존 무선 네트워크는 다양한 산업에서 요구하는 서비스를 제공하기 어렵다. 이러한 문제를 해결하기 위해, 하나의 네트워크를 통해 다양한 산업에서 요구하는 서비스를 제공할 수 있는 네트워크 슬라이싱 기술에 관한 연구가 진행 중이다. 네트워크 슬라이싱 기술을 이용한 기존 자원 할당 방안은 자원 할당만 발생하는 소규모 네트워크에는 적합하지만, 자원 할당 해제도 발생하는 대규모 네트워크에서는 적합하지 않다. 그러므로 네트워크 규모와 환경에 상관없이 효율적으로 자원 할당에 대한 연구가 필요하다.
본 논문에서는 5G 네트워크에서 지도 기계 학습을 이용한 자원 할당 시스템을 제안한다. 슬라이스의 요청에 적합한 물리 서버를 선택하기 위해 제안 시스템은 다양한 산업에서 요청한 서비스들의 패턴을 추출, 학습, 검증할 수 있는 지도 기계 학습을 이용한다. 또한 제안 시스템의 효율성은 processing time, balancing, learning rate simulation을 통해 증명한다.
기존 연구들과 제안 시스템의 비교 분석에 대한 실험은 제안 시스템에 최적인 resource allocation과 resource deallocation이 동시에 발생하는 환경에서 진행한다. 그 결과, 제안 시스템의 processing time은 기존 방안 대비 약 36.53%가 감소하였고 cluster를 적용한 방안 대비 약 15.81%가 감소하였다. Balancing simulation에서 제안 시스템의 balancing은 기존 방안 대비 약 24.95%가 증가하였고 cluster를 적용한 방안 대비 약 11.92%가 증가하였다. 이러한 결과는 서버의 사용률을 이용하는 기존 연구들보다 지도 기계 학습을 이용하는 제안 시스템이 서버의 balancing을 유지하면서 슬라이스 할당하기 위해 요구하는 시간이 적은 것을 보여 제안 시스템의 효율성을 입증한다.
또한 제안 시스템에서 설정한 지도 기계 학습의 learning rate에 대한 실험에서 learning rate에 따른 processing time, balancing, 실제값과 예측값의 차이, MSE, 상관계수를 비교분석하였다. 그 결과, 제안 시스템에서 설정한 learning rate가 최적임을 입증하였다.

다국어 초록 (Multilingual Abstract)

Recently, the size of industries providing intelligent services using existing wireless networks has been rapidly increased. Newly adapted services amplify various problems of the existing wireless networks such as loss of efficiency and network overload. In addition, existing wireless networks that provide optimized services for mobile communication make it difficult to provide services required by various industries. In order to solve these problems, investigation on network slicing technology that can provide services required by various industries through a single network has been conducted. Existing resource allocation methods using network slicing technology are suitable for small network with only resource allocation. But it is not suitable for large network with resource deallocation. Therefore, regardless the network size and environment, schemes about efficient resource allocation are needed.
In this dissertation a new resource allocation system using supervised machine learning in 5G networks is proposed. In order to select a physical server suitable physical server for the slice request, the proposed system uses supervised machine learning to extract, learn, and verify the patterns of services required by various industries. Also, the effectiveness of the proposed system is confirmed through processing time, balancing, and learning rate simulation.
The comparative analysis simulation between the existing resource allocation method and the proposed system is performed in resource allocation and resource deallocation environment. As a result, the processing time of the proposed system is reduced by 36.53% compared to the existing resource allocation method and by 15.81% compared to the resource allocation method using the cluster. Also, the balancing of the proposed system is increased by 24.95% compared to the existing resource allocation method and by 15.81% compared to the resource allocation method using the cluster. Result of the comparative analysis simulation between the existing resource allocation method and the proposed system is confirmed that the proposed system is efficient. In addition, learning rate simulation about processing time, balancing, difference between actual and predicted values, MSE, and correlation coefficient according to the learning rate is performed. As a result, the learning rate set by the proposed system has been proved to be optimal.

목차 (Table of Contents)

• 국문초록 vi
• 영문초록 viii
• 제 1 장 서 론 1
• 1.1 연구배경 1
• 1.2 연구목표 2
• 1.3 논문구성 3
• 제 2 장 관련 연구 4
• 2.1 5G networks 4
• 2.1.1 eMBB 5
• 2.1.2 mMTC 10
• 2.1.3 URLLC 11
• 2.2 Machine learning 14
• 2.2.1 Supervised learning 15
• 2.2.2 Unsupervised learning 17
• 2.2.3 Semi-supervised learning 19
• 2.2.4 Reinforcement learning 20
• 2.3 Base study 22
• 2.3.1 D. Dietrich’s work 22
• 2.3.2 D. Sattar’s work 23
• 2.3.3 Problem of D. Dietrich and D. Sattar’s work 25
• 제 3 장 제안 시스템 29
• 3.1 Initial configuration 29
• 3.1.1 Cluster 30
• 3.1.2 Training 30
• 3.2 Resource allocation 32
• 3.2.1 Select a cluster 32
• 3.2.2 Select a server using MILP 34
• 3.3 Resource deallocation 37
• 3.3.1 Training using deallocation 37
• 3.4 Summary 40
• 제 4 장 실험 및 결과 44
• 4.1 Simulation of resource allocation 47
• 4.1.1 Processing time simulation 47
• 4.1.2 Balancing simulation 50
• 4.2 Simulation of resource deallocation 52
• 4.2.1 Processing time simulation 53
• 4.2.2 Balancing simulation 56
• 4.3 Simulation of linear regression 58
• 4.3.1 Processing time simulation 61
• 4.3.2 Balancing simulation 64
• 4.3.3 Accuracy simulation of hypothesis function 67
• 제 5 장 결 론 78
• 참고문헌 81

참고문헌 (Reference)

1. "KT가 그리는 5G 네트워크 구조는?-KT의 5G 네트 워크 구조 분석", 도미선, 손장우, Netmanias, Oct. 28, , 2015