Долгосрочное прогнозирование сетевого трафика 5G с помощью моделирования

Apr 12, 2023

Инженерия связи, том 2, Номер статьи: 33 (2023) Цитировать эту статью

Подробности о метриках

Сотовые сети 5G в последнее время способствовали появлению широкого спектра новых приложений, но их популярность привела к росту трафика, который намного опережает расширение сети. Это несоответствие может снизить качество сети и вызвать серьезные проблемы с производительностью. Чтобы снизить риск, операторам необходимо долгосрочное прогнозирование трафика для реализации схем расширения сети на несколько месяцев вперед. Однако горизонт долгосрочного прогнозирования обнажает нестационарность рядовых данных, что ухудшает эффективность существующих подходов. Мы решаем эту проблему, разрабатывая модель глубокого обучения Diviner, которая включает стационарные процессы в хорошо продуманную иерархическую структуру и моделирует нестационарные временные ряды с многомасштабными стабильными характеристиками. Мы демонстрируем существенное улучшение производительности Diviner по сравнению с текущим состоянием прогнозирования сетевого трафика 5G с подробным прогнозированием на уровне месяцев для крупных портов со сложной структурой потока. Обширные эксперименты также доказывают его применимость к различным сценариям прогнозирования без каких-либо изменений, демонстрируя потенциал для решения более широких инженерных проблем.

Технология 5G в последнее время завоевала популярность во всем мире благодаря более высокой скорости передачи данных, более широкой полосе пропускания, надежности и безопасности. Технология 5G может достичь теоретической пиковой скорости в 20 раз выше, чем у 4G, с меньшей задержкой, что способствует развитию таких приложений, как онлайн-игры, потоковые сервисы HD и видеоконференции1,2,3. Развитие 5G меняет мир невероятными темпами и способствует развитию новых отраслей, таких как телемедицина, автономное вождение и расширенная реальность4,5,6. По оценкам, эти и другие отрасли приведут к 1000-кратному увеличению сетевого трафика, что потребует дополнительных мощностей для размещения этих растущих услуг и приложений7. Тем не менее, инфраструктура 5G, такая как платы и маршрутизаторы, должна развертываться и управляться с учетом строгих затрат8,9. Поэтому операторы часто применяют распределенную архитектуру, чтобы избежать массивных подключенных друг к другу устройств и связей между фрагментированными сетями10,11,12,13. Как показано на рис. 1a, новый городской маршрутизатор является узлом, соединяющим городские маршрутизаторы доступа, где услуги могут быть доступны и эффективно интегрированы. Однако цикл создания устройств 5G требует около трех месяцев для планирования, закупки и развертывания. Планирование новых инфраструктур требует точных прогнозов сетевого трафика на несколько месяцев вперед, чтобы предвидеть момент, когда загрузка мощности превысит заданный порог, когда перегруженная загрузка мощности может в конечном итоге привести к проблемам с производительностью. Другая проблема касается избытка ресурсов, вызванного созданием крупномасштабной инфраструктуры 5G. Чтобы смягчить эти опасности, операторы формулируют схемы расширения сети на несколько месяцев вперед с долгосрочным прогнозированием сетевого трафика, что может облегчить долгосрочное планирование модернизации и масштабирования сетевой инфраструктуры и подготовить ее к следующему периоду планирования14,15,16,17.

a Мы собираем данные по ссылкам MAR–MER. Оранжевый цилиндр изображает новые городские маршрутизаторы (MER), а бледно-голубой цилиндр — городские маршрутизаторы доступа (MAR). б Иллюстрация представленного процесса преобразования 2D → 3D. В частности, учитывая временной ряд данных о сетевом трафике, охватывающий K дней, мы строим матрицу временного ряда \(\widetilde{{{{{{{{\bf{X}}}}}}}}}=[{\tilde {{{{{{{{\bf{x}}}}}}}}}}_{1}\,\,{\tilde{{{{{{{{\bf{x}}}}} }}}}}_{2}\,\,\ldots \,\,{\tilde{{{{{{{\bf{x}}}}}}}}}}_{K}]\ ), где каждый \({\tilde{{{{{{{{\bf{x}}}}}}}}}}_{i}\) представляет данные о трафике за один день продолжительностью T. Полученный трехмерный график отображает временные шаги по каждому дню, ежедневные временные шаги и входящий трафик по осям x, y и z соответственно со стандартизированным входящим трафиком. Синяя линия на 2D-графике и сторона рядом с началом бледно-красной плоскости на 3D-графике представляют исторический сетевой трафик, а желтоватая линия на 2D-графике и сторона, далекая от начала бледно-красной плоскости на 3D-графике. График представляет будущий сетевой трафик, который нужно предсказать. c Общий рабочий процесс предлагаемого Прорицателя. Синяя сплошная линия указывает направление потока данных. Блоки кодера и декодера Diviner содержат механизм внимания сглаживающего фильтра (желтоватый блок), модуль внимания к разнице (бледно-фиолетовый блок), остаточную структуру (бледно-зеленый блок) и слой прямой связи (серый блок). Наконец, используется одношаговый генератор свертки (пурпурный блок) для преобразования динамического декодирования в процедуру генерации последовательности.