Towards Energy-Aware Federated Traffic Prediction for Cellular Networks

要約

インテリジェントなネットワーク設計、リソース割り当て、異常軽減には正確な予測が不可欠であるため、携帯電話トラフィック予測は、第 5 世代 (5G) ネットワーク以降のネットワークを最適化するための重要なアクティビティです。
機械学習 (ML) は、ネットワーク トラフィックを効果的に予測するための有望なアプローチですが、単一のデータ センターに大量のデータを一元化すると、機密性、プライバシー、データ転送の需要に関する問題が生じます。
これらの課題に対処するために、並列分散計算を通じて高精度の予測を提供する魅力的な ML トレーニング フレームワークとしてフェデレーテッド ラーニング (FL) が登場しました。
しかし、これらの方法による環境への影響はしばしば見落とされており、その持続可能性に疑問が生じています。
この論文では、ML モデルの実現可能性を評価できる新しい持続可能性指標を提案することで、フロリダ州における精度とエネルギー消費の間のトレードオフに対処します。
次に、スペインのバルセロナ地域にある基地局 (BS) サイトからの実世界の測定を使用して、フェデレーション シナリオで最先端のディープ ラーニング (DL) アーキテクチャを包括的に評価します。
私たちの調査結果は、大規模な ML モデルではパフォーマンスがわずかに向上しますが、二酸化炭素排出量の点で環境に重大な影響を及ぼし、現実世界のアプリケーションには実用的ではないことを示しています。

要約(オリジナル)

Cellular traffic prediction is a crucial activity for optimizing networks in fifth-generation (5G) networks and beyond, as accurate forecasting is essential for intelligent network design, resource allocation and anomaly mitigation. Although machine learning (ML) is a promising approach to effectively predict network traffic, the centralization of massive data in a single data center raises issues regarding confidentiality, privacy and data transfer demands. To address these challenges, federated learning (FL) emerges as an appealing ML training framework which offers high accurate predictions through parallel distributed computations. However, the environmental impact of these methods is often overlooked, which calls into question their sustainability. In this paper, we address the trade-off between accuracy and energy consumption in FL by proposing a novel sustainability indicator that allows assessing the feasibility of ML models. Then, we comprehensively evaluate state-of-the-art deep learning (DL) architectures in a federated scenario using real-world measurements from base station (BS) sites in the area of Barcelona, Spain. Our findings indicate that larger ML models achieve marginally improved performance but have a significant environmental impact in terms of carbon footprint, which make them impractical for real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google