A Research on Machine Learning based Paging Enhancement in 5G Network

Abstract

최근 4차 산업 혁명 시대에 적용되는 빅 데이터, 인공 지능, 머신 러닝 등의 기술은 fourth-generation (4G)와 fifth-generation (5G)의 코어 네트워크에서 상용 시스템들이 보다 지능적이고 효과적으로 시스템을 운영할 수 있도록 여러 방면으로 적용되고 있는데, 특히 4G mobility management entity (MME)와 5G access and mobility management function (AMF)에서도 자체적으로 기능 향상이나 성능 개선이 요구되는 분야에 활용하는 방안들이 적극적으로 논의되고 있다. 본 논문은 5G AMF에서 기존 페이징 방법에 대한 성능 개선 방법으로 지도 기계 학습과 마코프 프로세스를 기반으로 머신 러닝 페이징 방법을 적용하였다. 5G AMF에서 user equipment (UE) 프로파일 정보는 k-nearest neighbors (KNN) 지도 학습을 적용한 UE분류기 모델을 사용하여 가입자를 2가지 유형으로 분류하였고, 그리고 next generation NodeB (gNodeB)간의 UE 이동 데이터를 수집 및 분석 하고 마코프 프로세스를 적용하여 gNodeB별 전이 확률 모델을 구성하였고, UE가 5G connection management (5G CM)-Idle 상태에서 인접 gNodeB로 이동하는 경우에, AMF는 가입자 유형에 따라서 UE가 존재할 가능성이 높은 gNodeB를 예측하고, 최종적으로 선택된 gNodeB에 페이징을 수행하는 방안을 제안하였다. 제안된 페이징 방법에서 AMF는 UE의 프로파일 정보를 KNN 지도 학습 모델에 적용하여 UE의 가입자 유형을 분류하고, 그리고, gNodeB들간의 UE 이동 데이터를 모두 수집 및 분석 하고, 이 결과를 기반으로 마코프 프로세스를 적용한 확률적 gNodeB 리스트를 생성하였고, 최종적으로 두 가지 방법의 결과를 조합하여 선택된 gNodeB 리스트에 페이징을 수행하였다. 실험을 통해서 제안된 페이징 방법은 AMF의 tracking area (TA)에서 최근에 방문한 gNodeB 리스트를 이용하여 UE의 위치를 찾는 기존의 페이징 방법과 비교하여 빠른 페이징 응답과 전체 페이징 시그널 횟수의 감소를 확인하였다. 본 논문에서는 지도 기계 학습의 분류와 마코프 프로세스의 확률 과정을 적용한 새로운 페이징 방법과 절차를 보여주고, 그에 따른 페이징 성능 개선의 결과에 대해서 분석 및 고찰 한다. |Recently, technologies such as big data, artificial intelligence, and machine learning have been applied to intelligently and effectively operate fourth-generation (4G) and fifth-generation (5G) network systems. In particular, attentions are obtained from using those technologies in 4G mobility management entity (MME) and 5G access and mobility management function (AMF), where functional enhancement or performance improvement is required. This thesis shows an enhanced paging approach based on supervised machine learning and a Markov process for the performance improvement of paging in 5G AMF. User equipment (UE) profile information in 5G AMF classifies subscribers into two types using a UE classifier model with k-nearest neighbors (KNN) supervised learning. In this thesis, UE movement data between next-generation NodeBs (gNodeB)s are collected and analyzed, and the Markov process is applied to construct a transition probabilistic model. When a UE moves from an adjacent gNodeB in 5G connection management (5G CM)-Idle state, a method for predicting the gNodeB location is required to perform paging effectively on the predicted gNodeBs. In the proposed paging method, the AMF applies the UE profile information to the KNN-supervised learning model and classifies the subscriber UE type. In addition, based on the UE movement data obtained from the gNodeBs, it generates a probabilistic gNodeB list and then performs paging on the gNodeB list that is optimally selected from the combination of the subscriber UE type and the probabilistic gNodeB list. Experimentally, the paging response and signals of the proposed method are shown in comparison with the existing paging method for finding a UE using the recently visited gNodeB list in the tracking area (TA) of the AMF. This thesis shows a new paging method with the probability procedure of Markov process and the classification of the kNN-supervised machine learning, analyzes and examines the results of the performance improvement accordingly.