Data-driven Predictive Latency for 5G: A Theoretical and Experimental Analysis Using Network Measurements

要約

拘束力のある遅延要件と保証されたサービス品質 (QoS) を備えた新しい 5G サービスとアプリケーションの出現により、ネットワーク管理手順に自律的かつプロアクティブな意思決定を組み込む必要性が高まっています。
私たちの研究の目的は、モバイル ネットワーク オペレーター (MNO) がアクセスできる現実のネットワーク データを利用して、5G ネットワーク内の予測遅延の徹底的な分析を提供することです。
特に、(i) ユーザー プレーンのレイテンシーの分析定式化を低指数分布として提示し、経験的測定との比較分析によって検証します。(ii) 確率回帰、異常検出、
また、ベイジアン学習 (BL) やグラフ上の機械学習 (GML) など、機械学習 (ML) の新しい領域を活用した予測も可能です。
私たちは、車両の移動、密集した都市交通、社交イベントのシナリオから収集したデータを使用して、予測フレームワークをテストします。
私たちの結果は、実際のアプリケーションにおける予測アルゴリズムの有効性についての貴重な洞察を提供します。

要約(オリジナル)

The advent of novel 5G services and applications with binding latency requirements and guaranteed Quality of Service (QoS) hastened the need to incorporate autonomous and proactive decision-making in network management procedures. The objective of our study is to provide a thorough analysis of predictive latency within 5G networks by utilizing real-world network data that is accessible to mobile network operators (MNOs). In particular, (i) we present an analytical formulation of the user-plane latency as a Hypoexponential distribution, which is validated by means of a comparative analysis with empirical measurements, and (ii) we conduct experimental results of probabilistic regression, anomaly detection, and predictive forecasting leveraging on emerging domains in Machine Learning (ML), such as Bayesian Learning (BL) and Machine Learning on Graphs (GML). We test our predictive framework using data gathered from scenarios of vehicular mobility, dense-urban traffic, and social gathering events. Our results provide valuable insights into the efficacy of predictive algorithms in practical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google