Previsione del traffico di rete 5G a lungo termine tramite modellizzazione non

Apr 12, 2023

Ingegneria delle comunicazioni volume 2, numero articolo: 33 (2023) Citare questo articolo

Dettagli sulle metriche

Le reti cellulari 5G hanno recentemente favorito un’ampia gamma di applicazioni emergenti, ma la loro popolarità ha portato a una crescita del traffico che supera di gran lunga l’espansione della rete. Questa mancata corrispondenza può ridurre la qualità della rete e causare gravi problemi di prestazioni. Per ridurre il rischio, gli operatori hanno bisogno di previsioni del traffico a lungo termine per eseguire piani di espansione della rete con mesi di anticipo. Tuttavia, l’orizzonte di previsione a lungo termine mette in luce la non stazionarietà delle serie di dati, che deteriora le prestazioni degli approcci esistenti. Affrontiamo questo problema sviluppando un modello di deep learning, Diviner, che incorpora processi stazionari in una struttura gerarchica ben progettata e modella serie temporali non stazionarie con caratteristiche stabili multiscala. Dimostriamo un sostanziale miglioramento delle prestazioni di Diviner rispetto all'attuale stato dell'arte nella previsione del traffico di rete 5G con previsioni dettagliate a livello mensile per porti enormi con schemi di flusso complessi. Esperimenti approfonditi ne presentano inoltre l'applicabilità a vari scenari predittivi senza alcuna modifica, mostrando il potenziale per affrontare problemi ingegneristici più ampi.

La tecnologia 5G ha recentemente guadagnato popolarità in tutto il mondo per la sua maggiore velocità di trasferimento, larghezza di banda più ampia, affidabilità e sicurezza. La tecnologia 5G può raggiungere una velocità di picco teorica 20 volte più veloce rispetto al 4G con una latenza inferiore, promuovendo applicazioni come giochi online, servizi di streaming HD e videoconferenze1,2,3. Lo sviluppo del 5G sta cambiando il mondo a un ritmo incredibile e favorendo settori emergenti come la telemedicina, la guida autonoma e la realtà estesa4,5,6. Si stima che questi e altri settori aumenteranno di 1.000 volte il traffico di rete, richiedendo capacità aggiuntiva per accogliere questi servizi e applicazioni in crescita7. Tuttavia, le infrastrutture 5G, come le schede di rete e i router, devono essere implementate e gestite tenendo conto di rigorosi costi8,9. Pertanto, gli operatori spesso adottano un'architettura distribuita per evitare massicci dispositivi back-to-back e collegamenti tra reti frammentate10,11,12,13. Come mostrato nella Figura 1a, il router metropolitano emergente è l’hub per collegare i router di accesso urbano, dove è possibile accedere e integrare i servizi in modo efficace. Tuttavia, il ciclo di costruzione dei dispositivi 5G richiede circa tre mesi per la pianificazione, l’approvvigionamento e l’implementazione. La pianificazione di nuove infrastrutture richiede previsioni accurate del traffico di rete con mesi di anticipo per anticipare il momento in cui l'utilizzo della capacità supera la soglia preimpostata, momento in cui l'utilizzo sovraccarico della capacità potrebbe infine portare a problemi di prestazioni. Un’altra questione riguarda l’eccesso di risorse causato dalla costruzione di infrastrutture 5G a grana grossa. Per mitigare questi rischi, gli operatori formulano schemi di espansione della rete con mesi di anticipo con previsioni del traffico di rete a lungo termine, che possono facilitare la pianificazione a lungo termine per l’aggiornamento e il ridimensionamento dell’infrastruttura di rete e prepararla per il successivo periodo di pianificazione14,15,16,17.

a Raccogliamo i dati dai collegamenti MAR–MER. Il cilindro arancione raffigura i router emergenti metropolitani (MER), mentre il cilindro azzurro pallido raffigura i router di accesso metropolitani (MAR). b L'illustrazione del processo di trasformazione 2D → 3D introdotto. Nello specifico, data una serie temporale di dati sul traffico di rete che copre K giorni, costruiamo una matrice di serie temporali \(\widetilde{{{{{{{\bf{X}}}}}}}}}=[{\tilde {{{{{{{\bf{x}}}}}}}}}}__{1}\,\,{\tilde{{{{{{{{\bf{x}}}}} }}}}}_{2}\,\,\ldots \,\,{\tilde{{{{{{{\bf{x}}}}}}}}}}_{K}]\ ), dove ogni \({\tilde{{{{{{{\bf{x}}}}}}}}}}_{i}\) rappresenta i dati di traffico per un singolo giorno di lunghezza T. Il il grafico 3D risultante mostra i passaggi temporali nell'arco di ogni giorno, i passaggi temporali giornalieri e il traffico in bit lungo gli assi x, y e z, rispettivamente, con il traffico in bit standardizzato. La linea blu nel grafico 2D e il lato vicino all'origine del piano rosso pallido nel grafico 3D rappresentano il traffico di rete storico, mentre la linea giallastra nel grafico 2D e il lato lontano dall'origine del piano rosso pallido nel grafico 3D il grafico rappresenta il traffico di rete futuro da prevedere. c Il flusso di lavoro complessivo del Diner proposto. La linea continua blu indica la direzione del flusso di dati. Entrambi i blocchi codificatore e decodificatore di Diviner contengono un meccanismo di attenzione del filtro levigante (blocco giallastro), un modulo di attenzione differenziale (blocco viola chiaro), una struttura residua (blocco verde chiaro) e uno strato feed-forward (blocco grigio). Infine, viene impiegato un generatore di convoluzione a fase singola (blocco magenta) per convertire la decodifica dinamica in una procedura di generazione di sequenze.