Previsão de tráfego de rede 5G de longo prazo por meio de modelagem não

Apr 12, 2023

Communications Engineering volume 2, Número do artigo: 33 (2023) Citar este artigo

Detalhes das métricas

As redes celulares 5G promoveram recentemente uma ampla gama de aplicativos emergentes, mas sua popularidade levou a um crescimento de tráfego que supera em muito a expansão da rede. Essa incompatibilidade pode diminuir a qualidade da rede e causar sérios problemas de desempenho. Para reduzir o risco, as operadoras precisam de previsão de tráfego de longo prazo para executar esquemas de expansão de rede com meses de antecedência. No entanto, o horizonte de previsão de longo prazo expõe a não estacionariedade dos dados das séries, o que deteriora o desempenho das abordagens existentes. Lidamos com esse problema desenvolvendo um modelo de aprendizado profundo, Diviner, que incorpora processos estacionários em uma estrutura hierárquica bem projetada e modela séries temporais não estacionárias com recursos estáveis ​​em várias escalas. Demonstramos uma melhoria substancial de desempenho do Diviner em relação ao estado da arte atual na previsão de tráfego de rede 5G com previsão detalhada em nível de meses para portas massivas com padrões de fluxo complexos. Experimentos extensivos apresentam ainda sua aplicabilidade a vários cenários preditivos sem qualquer modificação, mostrando potencial para resolver problemas de engenharia mais amplos.

A tecnologia 5G recentemente ganhou popularidade em todo o mundo por sua velocidade de transferência mais rápida, largura de banda mais ampla, confiabilidade e segurança. A tecnologia 5G pode atingir uma velocidade de pico teórica 20 vezes mais rápida em relação ao 4G com menor latência, promovendo aplicativos como jogos online, serviços de streaming em HD e videoconferências1,2,3. O desenvolvimento do 5G está mudando o mundo em um ritmo incrível e fomentando setores emergentes como telemedicina, direção autônoma e realidade estendida4,5,6. Estima-se que essas e outras indústrias tragam um aumento de 1.000 vezes no tráfego de rede, exigindo capacidade adicional para acomodar esses serviços e aplicativos em crescimento7. No entanto, a infraestrutura 5G, como placas de placa e roteadores, deve ser implantada e gerenciada com rígidas considerações de custo8,9. Portanto, as operadoras geralmente adotam uma arquitetura distribuída para evitar dispositivos massivos back-to-back e links entre redes fragmentadas10,11,12,13. Conforme mostrado na Fig. 1a, o roteador metropolitano emergente é o hub para conectar os roteadores de acesso urbano, onde os serviços podem ser acessados ​​e integrados de forma eficaz. No entanto, o ciclo de construção de dispositivos 5G requer cerca de três meses para agendar, adquirir e implantar. O planejamento de novas infraestruturas requer previsões de tráfego de rede precisas com meses de antecedência para antecipar o momento em que a utilização da capacidade ultrapassa o limite predefinido, onde a utilização da capacidade sobrecarregada pode levar a problemas de desempenho. Outra questão diz respeito ao excesso de recursos causado pela construção de infraestruturas 5G de granulação grossa. Para mitigar esses riscos, as operadoras formulam esquemas de expansão de rede com meses de antecedência com previsão de tráfego de rede de longo prazo, o que pode facilitar o planejamento de longo prazo para atualizar e dimensionar a infraestrutura de rede e prepará-la para o próximo período de planejamento14,15,16,17.

a Coletamos os dados dos links MAR–MER. O cilindro laranja mostra os roteadores emergentes metropolitanos (MER) e o cilindro azul claro mostra os roteadores de acesso metropolitano (MAR). b A ilustração do processo de transformação 2D → 3D introduzido. Especificamente, dada uma série temporal de dados de tráfego de rede abrangendo K dias, construímos uma matriz de série temporal \(\widetilde{{{{{{{\bf{X}}}}}}}}}=[{\tilde {{{{{{{{\bf{x}}}}}}}}}}_{1}\,\,{\tilde{{{{{{{{\bf{x}}}}} }}}}}_{2}\,\,\ldots \,\,{\tilde{{{{{{{\bf{x}}}}}}}}}}_{K}]\ ), onde cada \({\tilde{{{{{{{{\bf{x}}}}}}}}}}_{i}\) representa os dados de tráfego para um único dia de duração T. O O gráfico 3D resultante exibe intervalos de tempo em cada dia, intervalos de tempo diários e tráfego de bits ao longo dos eixos x, y e z, respectivamente, com o tráfego de bits padronizado. A linha azul no gráfico 2D e o lado próximo à origem do plano vermelho claro no gráfico 3D representam o tráfego de rede histórico, enquanto a linha amarela no gráfico 2D e o lado distante da origem do plano vermelho claro no gráfico 3D plot representam o futuro tráfego de rede a ser previsto. c O fluxo geral de trabalho do Adivinho proposto. A linha sólida azul indica a direção do fluxo de dados. Os blocos de codificador e decodificador do Diviner contêm um mecanismo de atenção de filtro de suavização (bloco amarelo), um módulo de atenção de diferença (bloco roxo claro), uma estrutura residual (bloco verde claro) e uma camada de avanço (bloco cinza). Finalmente, um gerador de convolução de uma etapa (bloco magenta) é empregado para converter a decodificação dinâmica em um procedimento de geração de sequência.