RACH Traffic Prediction in Massive Machine Type Communications

要約

トラフィック パターン予測は、大規模マシンタイプ コミュニケーション (mMTC) ネットワークにおけるイベント駆動型のバースト トラフィックの影響を効率的に管理および軽減するための有望なアプローチとして浮上しています。
ただし、イベントには固有のランダム性があるため、バースト トラフィックを正確に予測することは依然として重要な作業であり、これらの課題はライブ ネットワーク環境内ではさらに深刻になります。
したがって、ネットワークから継続的に収集されたデータを取り込み、mMTC ネットワーク内のバースト性トラフィックを正確に予測できる、軽量で機敏なフレームワークを設計することが切実な課題となっています。
このペーパーでは、マルチチャネル スロット ALOHA ネットワークにおけるバースト トラフィックの予測に合わせて調整された機械学習ベースのフレームワークを提示することで、これらの課題に対処します。
提案された機械学習ネットワークは、長期短期記憶 (LSTM) と、フィードフォワード ニューラル ネットワーク (FFNN) 層を備えた DenseNet で構成され、残りの接続により、複雑なパターンを捕捉する際の機械学習ネットワークのトレーニング能力が強化されます。
さらに、mMTC ネットワークから頻繁に収集されるデータを活用して LSTM ネットワークの状態を更新する、複雑性の低い新しいオンライン予測アルゴリズムを開発します。
シミュレーション結果と複雑さの分析は、精度と複雑さの両方の点で私たちが提案したアルゴリズムの優位性を実証しており、タイムクリティカルなライブ シナリオに最適です。
単一の基地局と、異なるトラフィック生成特性を持つグループに編成された数千台のデバイスを備えたネットワークで、提案されたフレームワークのパフォーマンスを評価します。
包括的な評価とシミュレーションの結果、私たちが提案した機械学習アプローチは、システムに追加の処理負荷をかけることなく、従来の方法と比較して長期予測において $52\%$ 高い精度を実現できることがわかりました。

要約(オリジナル)

Traffic pattern prediction has emerged as a promising approach for efficiently managing and mitigating the impacts of event-driven bursty traffic in massive machine-type communication (mMTC) networks. However, achieving accurate predictions of bursty traffic remains a non-trivial task due to the inherent randomness of events, and these challenges intensify within live network environments. Consequently, there is a compelling imperative to design a lightweight and agile framework capable of assimilating continuously collected data from the network and accurately forecasting bursty traffic in mMTC networks. This paper addresses these challenges by presenting a machine learning-based framework tailored for forecasting bursty traffic in multi-channel slotted ALOHA networks. The proposed machine learning network comprises long-term short-term memory (LSTM) and a DenseNet with feed-forward neural network (FFNN) layers, where the residual connections enhance the training ability of the machine learning network in capturing complicated patterns. Furthermore, we develop a new low-complexity online prediction algorithm that updates the states of the LSTM network by leveraging frequently collected data from the mMTC network. Simulation results and complexity analysis demonstrate the superiority of our proposed algorithm in terms of both accuracy and complexity, making it well-suited for time-critical live scenarios. We evaluate the performance of the proposed framework in a network with a single base station and thousands of devices organized into groups with distinct traffic-generating characteristics. Comprehensive evaluations and simulations indicate that our proposed machine learning approach achieves a remarkable $52\%$ higher accuracy in long-term predictions compared to traditional methods, without imposing additional processing load on the system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google