MULTI-STEP THROUGHPUT PREDICTION OF 5G FR2 MOBILE CHANNELS

Full Text

Введение Рисунок 1. Изменение пропускной способности канала 5G FR2 во времени установления и поддержания стабильных кана- По всему миру происходит активный переход к мобильным сетям связи пятого поколения (5G), предлагающим широкий спектр новых услуг и сервисов [1-3]: доступ к сети Интернет со скоростью до 2 Гбит/c; приложения дополненной и виртуальной реальности (AR/VR); поддержку инфраструктуры для беспилот- ного транспорта; интерактивные трансляции видео высокой четкости; приложения Интернета вещей (IoT). Для обеспечения их работы в 5G используется новая технология радиодоступа NR (NewRadio) с двумя диапазонами: FR1 (традиционные частоты 450 МГц … 6 ГГц) и FR2 (частоты 24,24 ГГц … 52,6 ГГц) [4]. 5G-сети с каналами диапазона FR2 в коммерческих целях часто обозначают как 5G mmWave или HighSpeed 5G [3]. Именно использование диапазона частот FR2 позволяет обеспечить максимальную скорость доступа приложений к сети (теоретически до 20 Гбит/c). Однако использование диапазона FR2 приводит к ряду проблем, которые ранее не воз- никали в низкочастотных диапазонах. К наиболее значительным из них можно отнести: значитель- но меньшие зоны покрытия базовых станций (до нескольких сот метров), высокую чувствитель- ность к препятствиям на пути распространения радиоволн. Данные проблемы ведут к сложности лов связи между базовой станцией и пользова- тельскими устройствами. С целью преодоления данных проблем в се- тях 5G mmWave применяется ряд дополнитель- ных технологий, таких как многоэлементные цифровые антенные решетки (Massive MIMO) и формирование луча (beamforming) [1-3]. Мно- гоэлементные антенны позволяют осуществлять пространственное разделение сигналов от не- скольких пользователей, тем самым увеличивая пропускную способность каналов 5G. Техноло- гия формирования луча дает возможность ком- бинировать сигналы от нескольких антенн таким образом, чтобы образовать узкую диаграмму на- правленности сигнала от базовой станции к поль- зовательскому устройству, тем самым увеличивая зону покрытия базовой станции и надежность поддержания каналов связи [2]. Практические измерения параметров каналов 5G диапазона FR2 на уже развернутых коммерче- ских сетях показывают значительные флуктуации пропускной способности как от времени, так и пространственного расположения пользователь- ских устройств. На рисунке 1 представлены ре- зультаты измерений пропускной способности 5G mmWave, проведенные учеными Миннесотского университета на сети оператора Verizon [1; 12]. Из представленных на рисунке 1 результа- тов измерений видно, что пропускная способ- ность каналов 5G может испытывать значитель- ные изменения во времени, от почти 2 Гбит/c до 0 Гбит/c. Причинами таких изменений являются как физические препятствия на пути распростра- нения сигнала, так и частый хэндовер между ба- зовыми станциями вследствие их небольших зон покрытий. Данные колебания пропускной спо- собности могут сильно сказываться на качестве работы пользовательских приложений, требу- ющих для работы стабильных высокоскоростных каналов, например интерактивного видео высо- кой четкости [1-3]. Прогнозирование пропускной способности каналов 5G mmWave является одним из спосо- бов повышения качества работы пользователь- ских приложений за счет оценки и адаптации к возможным изменениям пропускной способно- сти. Традиционные механизмы прогнозирования пропускной способности каналов приложениями основаны либо на текущем значении, либо на ус- реднении нескольких значений на предыдущем временном интервале работы приложений [1; 5; 9]. Вместе с тем все большее применение для прогнозирования трафика находят методы ма- шинного обучения, в основе которых чаще всего лежат искусственные нейронные сети [5-9]. Од- нако в подавляющем числе работ, посвященных прогнозированию трафика с помощью методов машинного обучения, в основном рассматрива- ются модели краткосрочного одношагового про- гнозирования. Одношаговые модели наиболее просты, имеют низкие требования к вычисли- тельным ресурсам и объему данных для обуче- ния, однако подходят только для краткосрочной динамической адаптации приложений. Многоша- говые модели имеют значительно более высокие требования к вычислительным ресурсам и требу- ют значительно большего количества данных для обучения, но позволяют приложениям проводить оптимизацию работы на интервалах времени до нескольких десятков секунд [7-8]. Данная работа посвящена рассмотрению воз- можностей многошагового прогнозирования про- пускной способности каналов 5G FR2 на основе широкого круга моделей машинного обучения. Многошаговое прогнозирование Многошаговое прогнозирование параметра на основе его предыдущих отсчетов во време- ни относится к задачам регрессионного анали- за и прогнозирования временных рядов [9; 10]. Пусть известен набор предыдущих n-значений параметра x относительно текущего момента называют от последовательности к последова- тельности и обозначают как Seq2Seq (sequence- to-sequence) [6]. Многошаговое прогнозирование временных рядов может выполняться на основе моделей машинного обучения с векторным выходом, ко- торые способны сразу прогнозировать вектор m-значений [11]. Примерами моделей с вектор- ным выходом являются k ближайших соседей (kNN), дерево решений, искусственные нейрон- ные сети. Преимуществом моделей с векторным выходом считается непосредственное прогнози- рование сразу всех значений временного ряда, од- нако данные модели имеют большое количество параметров, что требует больших вычислитель- ных ресурсов и объемов данных для их обучения. Для многошагового прогнозирования также могут использоваться и одношаговые модели, способные непосредственно прогнозировать только одно последующее значение временного ряда. Примерами таких моделей являются авто- регрессионные модели, метод опорных векторов и градиентного бустинга. Поскольку одношаго- вые модели, как правило, проще в реализации и имеют меньшее количество параметров, то они предъявляют меньшие требования к вы- числительным ресурсам и объемам данных для обучения. Многошаговое прогнозирование на основе одношаговых моделей может выполняться тремя способами: рекурсивным, прямым многошаго- вым и гибридным рекурсивно-прямым [11]. При рекурсивном подходе используется един- ственная одношаговая модель, выполняющая m последовательных прогнозирований, каждое значение, полученное на предыдущем шаге, ис- пользуется для последующего прогноза. При ре- курсивном способе на каждом шаге происходит накопление ошибки, что ограничивает данный способ только краткосрочными интервалами (на 2-3 шага). В прямом пошаговом способе применяется m моделей, каждая из которых используется для прогнозирования своего отдельного шага. Дан- ный способ позволяет избавиться от ограничений рекурсивного метода, однако требует больших вычислительных ресурсов и объемов данных при обучении. Помимо этого, данный способ не по- зволяет учитывать зависимости между разными прогнозируемыми шагами. времени t: xt , xt -1 , , xt -n , тогда задача много- Отличие гибридного рекурсивно-прямого шагового прогнозирования сводится к предсказанию на их основе его последующих m-значений: xt 1 , xt 2 , , xt m . Такое прогнозирование часто способа от прямого способа заключается в том, что каждая последовательная модель использует прогноз предыдущей модели. Такой подход позволяет учитывать зависимости между шагами, как в моделях непосредственного прогнозиро- вания, однако такой способ является и наиболее сложным для практической реализации. Выбор того или иного способа многошаго- вого прогнозирования определяется характером задачи, вычислительными ресурсами и объемом данных для обучения. При наличии значительной корреляции между значениями соседних шагов необходимо использование модели с векторным выходом или гибридного прогнозирования с по- мощью одношаговых моделей. В случаях когда такой взаимосвязью можно пренебречь, можно использовать прямое многошаговое прогнозиро- вание. При необходимости только краткосрочного прогнозирования может быть использован рекур- сивный способ. Также необходимо определить наличие зависимости прогнозируемого параме- тра от каких-либо внешних факторов, например координат пользователя мобильной связи. Такие факторы в виде независимых переменных могут учитываться или не учитываться моделью [11]. Описание исходных данных Исходные данные, использованные в работе, представляют собой набор измерений пропуск- ной способности каналов 5G mmWave на сети оператора Verizon с помощью утилиты iperf, про- веденные с периодом в 1 секунду [12]. Кроме пропускной способности (Throughput) в Мбит/с данные включают ряд дополнительных внешних факторов, таких как: координаты местоположения пользова- тельского устройства: широту (latitude) и долготу (longitude); скорость движения (movingSpeed): данные, измеренные устройством с ОС Android; направление движение (compassDirection): угол расположения пользовательского устрой- ства относительно Северного полюса; показатели подключения к сети 5G NR: nrStatus, nr_ssRsrp, nr_ssRsrq, nr_ssSinr; показатели сигнала мобильной сети на приеме: lte_rssi, lte_rsrp, lte_rsrq, lte_rssnr; тип мобильности пользователя (mobility_ mode): ходьба (walking) или вождение (driving); траектория движения (trajectory_direction): по часовой стрелке (CW) или против часовой стрелки (ACW); идентификатор базовой станции (tower_id). Для удобства исследования влияния внешних факторов на пропускную способность каналов их можно объединить в следующие группы [1]: местоположение (L): широта и долгота; движение (M): скорость, вид и направление; параметры подключения к 5G (C): показа- тели подключения и сигнала, идентификатор ба- зовой станции. Данные группы параметров можно также ком- бинировать для сравнения их общего влияния: местоположения и движения (L+M); местоположения и подключения (L+C); движения и подключения (M+C); местоположения, движения и подключения (L+M+C). Результаты прогнозирования Для многошагового прогнозирования были использованы следующие классические и ан- самбльные модели машинного обучения: k ближайших соседей (kNN); дерево решений (DTree); леса случайных деревьев (RForest); экстремальные деревья (ExTree); градиентного бустинга (GBoost). Также применялись модели, основанные на искусственных нейронных сетях: многослойный персептрон (MLP); сверточная нейросеть (CNN); рекуррентная нейросеть с LSTM-памятью (LSTM). Для расчетов применялись модели kNN, DTree и ExTree, реализованные в пакете Scikit-Learn. При реализации прогнозирования моделями RForest и GBoost применялись их реализации из пакета XGBoost с использованием прямого мно- гошагового прогнозирования из пакета Sklear- Learn. Для нейросетевых моделей применялся пакет TensorFlow. Исходные коды всех исполь- зованных моделей в формате Jupyter Notebook представлены в репозитории [13]. Для обучения моделей использовались 80 % данных, оставшиеся 20 % применялись для оцен- ки точности прогнозирования. Прогнозирование осуществлялось для интервала в 10 секунд с ша- гом в 1 секунду. Прогноз выполнялся на основе данных за предыдущие 20 секунд с шагом в 1 се- кунду. Такие значения были выбраны, поскольку по результатам ряда исследований они обеспечи- вают наибольшую точность прогнозирования для каналов мобильной связи [6]. В качестве метрик оценки точности прогно- зирования применялись средняя абсолютная ошибка (MAE - MeanAbsoluteError) и квадратный корень среднеквадратической ошибки (RMSE - Root Mean Squared Error), поскольку данные по- казатели имеют одинаковую размерность с про- гнозируемой величиной [6-8]. Рисунок 2. МАЕ для групп параметров Рисунок 3. RMSE для групп параметров Показатель MAE оценивает среднюю величи- ну ошибки прогнозирования относительно ис- тинного значения без учета ее знака для тестовых данных: Оба показателя по-разному характеризуют ошибку прогнозирования: MAE в основном зави- сит от среднего значения ошибки, в то время как для RMSE значительный вклад имеет дисперсия MAE 1 n y - y , (1) ошибки (рисунки 2, 3). n i 1 i i В качестве базовых критериев оценки точности моделей машинного обучения применялись: где n - количество данных в тесте; yi - истинное наивное прогнозирование (Naive), при котором значение; yi - спрогнозированное значение. для прогноза использовались исходные данные, Показатель RMSE определяется как корень квадратный из среднеквадратической ошибки: а также прогнозирование на основе среднего зна- чения (Average), при котором прогнозирование RMSE 1 n y - y . 2 (2) выполнялось путем усреднения исходных данных. Для наивного прогнозирования были полуn i 1 i i чены MAE = 270,6 Мбит/с; RMSE = 415,5 Мбит/с. Рисунок 4. МАЕ для комбинаций групп параметров Рисунок 5. RMSE для комбинаций групп параметров Для прогнозирования путем усреднения получены значения MAE = 237,3 Мбит/с; RMSE = 359 Мбит/с. Результаты оценки точности прогнозирова- ния без и с учетом отдельных внешних факторов представлены для удобства восприятия в виде столбчатых диаграмм на рисунках 2 и 3. Как видно из представленных результатов, все модели имеют меньшие значения ошибок в срав- нении с наивным и усредненным прогнозирова- нием. Наименьшие значения MAE обеспечивают модели, основанные на искусственных нейрон- ных сетях. Для показателя RMSE модели гра- диентного бустинга и экстремальных деревьев показывают сравнимые результаты с нейросете- выми моделями. Из внешних факторов практи- чески для всех методов наибольшее влияние на снижение ошибки прогнозирования оказывает местоположение, далее следуют группы параме- тров движения и подключения к сети 5G. Результаты оценки точности прогнозирования при учете различных комбинаций групп внешних параметров представлены в виде столбчатых диа- грамм на рисунках 4 и 5. Как видно из представленных на рисунках 4 и 5 результатов, для комбинаций групп внешних факторов наблюдается аналогичная картина, что и для отдельных факторов. Нейросетевые модели Рисунок 6. Пример сравнения измеренных и спрогнозированных значений обеспечивают наименьшее значение MAE, в то время как наименьшее значение RMSE обеспечи- вают нейросетевые модели с моделями градиент- ного бустинга и экстремальных деревьев. Наи- меньшие значения MAE и RMSE обеспечивают сочетания L+M и L+M+C. Примеры сравнения измеренных значений пропускной способности каналов с прогнозиру- емыми представлены на рисунке 6. Прогнозиро- вание выполнено с помощью сверточной нейро- сети при учете всех внешних факторов. Заключение В данной статье были рассмотрены основные способы многошагового прогнозирования вре- менных рядов с использованием наиболее рас- пространенных моделей машинного обучения. Данные способы были использованы для про- гнозирования пропускной способности каналов 5G FR2. На основании результатов прогнозирования можно сделать вывод о том, что наименьшую среднюю абсолютную ошибку многошагового прогнозирования MAE обеспечивают нейросе- тевые модели. Поскольку различия в величинах ошибок разных моделей весьма незначительны, то для практического применения можно реко- мендовать модель сверточной нейросети, по- скольку данная модель требует наименьших вы- числительных ресурсов при реализации. Близкие значения квадратного корня из сред- неквадратической ошибки многошагового про- гнозирования RMSE обеспечивают нейросете- вые и ансамбльные модели. В связи с этим для практического использования можно рекомендо- вать ансамбльные модели, так как они требуют значительно меньших вычислительных ресурсов при реализации и обучении.

About the authors

A. V Troshin

Povolzhskiy State University of Telecommunications and Informatics

Email: troshin-av@psuti.ru
Samara, Russian Federation

References

Supplementary files