Oleh = Mochammad Haldi Widianto

Prediksi kecepatan data berbasis pembelajaran mesin adalah salah satu pendorong utama jaringan seluler antisipatif dengan aplikasi seperti pemilihan Teknologi Akses Radio (RAT) dinamis, transfer data oportunistik, dan caching prediktif. Pendekatan prediksi berbasis User Equipment (UE) yang mengandalkan pengukuran pasif dari indikator kualitas jaringan telah berhasil diterapkan untuk meramalkan throughput transmisi data kendaraan. Namun, akurasi prediksi yang dapat dicapai terbatas karena UE tidak mengetahui beban jaringan saat ini. Untuk mengatasi masalah ini, kami mengusulkan pendekatan prediksi kecepatan data kooperatif yang menyatukan pengetahuan dari klien dan domain jaringan. Dalam evaluasi bukti konsep di dunia nyata, kami menggunakan pelacak saluran kontrol berbasis Software Defined Radio (SDR) FALCON untuk meniru perilaku penyediaan informasi yang dibantu jaringan dalam jaringan 6G di masa mendatang. Hasil penelitian menunjukkan bahwa pendekatan prediksi kooperatif yang diusulkan mampu menurunkan rata-rata kesalahan prediksi hingga 30%. Sehubungan dengan upaya standarisasi yang sedang berlangsung terkait penerapan kecerdasan untuk manajemen jaringan, kami berpendapat bahwa jaringan 6G masa depan harus melampaui pendekatan yang berfokus pada jaringan dan secara aktif memberikan informasi beban ke UE untuk mendorong pembelajaran mesin yang meluas dan mengkatalisasi jaringan berbasis UE teknik pengoptimalan.

Meskipun peningkatan teknologi konkrit dari jaringan 6G di masa depan masih belum jelas, para peneliti sepakat bahwa kecerdasan yang digerakkan oleh data akan menjadi pendorong utama bagi jaringan baru tersebut yang diharapkan akan digunakan sekitar tahun 2030. Akibatnya, Proyek Kemitraan Generasi ke-3 (3GPP) saat ini sedang menyelidiki jaringan berbasis analitik data sebagai pendukung untuk otomatisasi jaringan. Contohnya adalah Network Data Analytics Function (NWDAF), yang telah ditetapkan sebagai fungsi jaringan inti 5G baru yang memungkinkan Operator Jaringan Seluler (MNO) memantau beban potongan jaringan berdasarkan metode pembelajaran mesin. Sementara upaya standardisasi yang sedang berlangsung untuk 5G terutama menargetkan kecerdasan sisi jaringan, studi yang berbeda telah menunjukkan bahwa pengoptimalan berbasis tepi dan berbasis UE tidak hanya dapat meningkatkan pengalaman pengguna akhir, tetapi juga berkontribusi untuk meningkatkan koeksistensi intra-sel dari perangkat yang berbeda. Komunikasi antisipatif telah muncul sebagai paradigma jaringan seluler baru yang bertujuan untuk mengoptimalkan proses keputusan dengan mempertimbangkan informasi konteks. Dalam bidang ini, prediksi kecepatan data berbasis pembelajaran mesin adalah pengaktif utama untuk berbagai aplikasi. Hal ini memungkinkan untuk memilih antarmuka jaringan terbaik dalam sistem multi-RAT, data streaming cache prediktif, dan meningkatkan efisiensi sumber daya Massive Machine-type Communications (mMTC) melalui transfer data berbasis pembelajaran oportunistik dan penguatan. Selain itu, model prediksi ujung ke ujung itu sendiri dapat berfungsi sebagai alat analisis kinerja yang sangat akurat berdasarkan teknik Simulasi Jaringan yang Digerakkan Data (DDNS). Oleh karena itu, pengoptimalan akurasi prediksi yang dapat dicapai merupakan tugas penelitian penting yang secara langsung mempengaruhi kinerja aplikasi ini.

Gambar 1.  Gambaran umum pendekatan prediksi kecepatan data koperasi yang diusulkan.

Untuk evaluasi proof-of-concept, pengujian drive dengan transmisi data dilakukan di wilayah kampus yang dicakup oleh tiga sektor dari Node B (eNB) berevolusi tunggal yang dimiliki jaringan LTE publik seperti yang ditunjukkan pada Gambar.3. Pengukuran kualitas saluran seluler dan transmisi data aktif dilakukan menggunakan UE berbasis Android (Samsung Galaxy S5 Neo, Model SM-G903F) siap pakai yang menjalankan aplikasi pengukuran. Transmisi TCP dilakukan secara berkala setiap 10 detik dalam arah uplink dan downlink melalui jaringan LTE publik. Muatan yang dipertukarkan dipilih secara acak dalam kisaran 0,1MB hingga 10 MB. Selama pengujian drive, seluruh aktivitas sel ditangkap oleh tiga sniffer FALCON1 yang disinkronkan, masing-masing ditempatkan di salah satu sektor stasiun pangkalan dalam garis pandang ke antena. Setiap sniffer terdiri dari Laptop umum yang menjalankan perangkat lunak FALCON dan USRP B210 SDR yang terpasang oleh Ettus Research dengan antena dipol yang menerima sinyal. Kumpulan data yang dipertimbangkan adalah hasil dari 92 pengujian penggerak dunia nyata dan terdiri dari pengukuran untuk 3027 transmisi data. Ini termasuk pengukuran pada siang hari puncak, sedangkan jaringan seluler sangat padat, serta pengukuran pada malam hari, dengan hampir tidak ada aktivitas oleh peserta lain.

Gambar 2. Perbandingan kinerja dari pendekatan prediksi kecepatan data RF yang berbeda dalam arah uplink dan downlink. Prediksi berbasis jaringan (b) dan (e) hanya mempertimbangkan fitur informasi beban sel XNet dari pengukuran FALCON. Area abu-abu menunjukkan area kepercayaan 0,95 yang diperoleh dengan menerapkan GPR pada hasil model prediksi. Garis diagonal menggambarkan prediksi yang sempurna. MAE dan RMSE dinyatakan dalam MBit / s.

Dalam artikel ini, kami menyajikan pendekatan kooperatif untuk prediksi kecepatan data seluler yang menyatukan penginderaan kualitas saluran berbasis UE dengan estimasi beban berbasis jaringan dalam skenario kendaraan. Untuk meniru kemungkinan perilaku prediksi throughput yang dibantu jaringan di jaringan 6G di masa mendatang, evaluasi kinerja dunia nyata berdasarkan sniffer FALCON dilakukan dalam konteks kendaraan. Hal ini menunjukkan bahwa pendekatan berbasis SDR mampu mengekstraksi informasi beban jaringan berdasarkan analisis saluran kontrol dan bahwa pengetahuan ini dapat digunakan untuk secara signifikan meningkatkan akurasi prediksi kecepatan data untuk UE seluler di kedua arah transmisi. Dalam jaringan 5G, pengoptimalan jaringan berbasis analisis data (misalnya, berkemampuan NWDAF) saat ini hanya dipertimbangkan untuk sisi infrastruktur jaringan. Meskipun tidak jelas jenis jaringan 6G masa depan intelijen mana yang akan diterapkan, kami sangat menyarankan bahwa informasi beban lalu lintas yang diperoleh harus secara aktif dibagikan dengan UE untuk mengkatalisasi metode pengoptimalan berbasis UE yang dibantu jaringan. Dengan cara ini, peningkatan lebih lanjut dari akurasi prediksi dapat diharapkan karena kebutuhan untuk menyinkronkan beberapa pengukuran deret waktu dihapus..

.

REFERENSI:

Benjamin Sliwa, Robert Falkenberg, and Christian Wietfeld “Towards Cooperative Data Rate Prediction for Future Mobile and Vehicular 6G Networks,” Communication Networks Institute, TU Dortmund University, 44227 Dortmund, Germany, e-mail: fBenjamin.Sliwa, Robert.Falkenberg, Christian.Wietfeldg@tu-dortmund.de, Auckland University of Technology. Downloaded on June 07,2020 at 11:13:25 UTC from IEEE Xplore