Recently, mobile traffic is increasing exponentially due to the development of personal devices such as smart phones and tablets. Bandwidth-hungry applications such as streaming data and multimedia file sharing are approaching 50% of the total traffic volume in 4G network. [1] In addition, due to the emergence of ultra-high bandwidth consuming applications such as virtual reality and augmented reality, the traffic volume is expected to increase more than 500 times in 5G. In order to solve these problems, various technologies have been proposed in 5G. As one of the candidate technologies for increasing the network capacity, a Small Cell Network (SCN), where a number of Small cell Base Stations (SBSs) are deployed per unit area by reducing the size of a cell, is attracting attention.
An SBS is a base station having a range of several tens to several hundreds of meters using a small power. Currently, the gap between cells in the mobile communication network is getting smaller within several hundred meters in the hotspot area, and it is expected to be constantly increased. [2] However, as the size of the cell decreases, inter-cell interference problem, backhaul link cost problem for the small cell deployment, and frequent cell changes due to the movement of a mobile user are promoting many research challenges on the SCN. In addition, interest in proactive caching in the SCN has increased significantly with the evolution of 5G technologies such as edge computing and smart networks. [3] The proactive caching in the SCN means placing content in advance, that is popular to a user in an SBS by predicting what content to request. [4] However, due to the difficulty in predicting the popularity of content on SBSs, the limited cache size, and the content popularity discrepancy among SBSs, the proactive caching in the SCN is the much more difficult problem than caching in a conventional cellular or wired network.
To overcome these limitations and to guarantee users’ Quality of Experience (QoE), this dissertation proposes a new proactive caching framework based on machine learning techniques. First, this dissertation analyzes and summarizes related researches on the proactive caching. Also, the theoretical backgrounds of cooperative communication called Coordinated Multi-Point (CoMP) and various machine learning techniques are described. In the dissertation, the CoMP is mainly used as a transmission technique for efficiently designing the proactive caching and machine learning techniques such as NMF and LSTM are used to form a caching strategy. Next, this dissertation analyzes the caching performance through the CoMP and discusses the fundamental conditions for using the CoMP on the proactive caching in environments where content popularity among SBSs is different. Thirdly, this dissertation conducts a spatial study of the proactive caching based on the machine learning about what contents must be cached in the CoMP-based SCN. Fourth, this dissertation proposes a comprehensive spatio-temporal proactive caching framework using various design principles and machine learning. The performance of the proposed framework is verified through various performance evaluations such as content hit ratio and content delivery completion time.
In conclusion, the wireless resources of the SCN can be saved while satisfying the users’ QoE by knowing, predicting and responding to the user’s needs through the proposed proactive caching framework based on the machine learning. Therefore, network operators and content providers will be able to provide users with high quality services at low cost.
최근 스마트 폰, 태블릿 등 개인 단말의 발전으로 인해 이동통신망의 트래픽이 기하급수적으로 증가하고 있다. 특히, 스트리밍 데이터 및 멀티미디어 파일 공유와 같이 대용량을 필요로 하는 응용이 4G망에서 전체 트래픽 양의 50%를 육박하고 있으며, 가상현실 및 증강현실의 초 고용량 응용의 등장으로 인해 5G에서의 트래픽 요구사항은 현재보다 500배 이상 증가할 것으로 내다보고 있다. [1] 이러한 문제를 해결하기 위해 5G에서는 망의 전송 용량 증대를 위한 여러 기술들이 제안되고 있으며, 하나의 후보 기술로서 셀의 크기를 줄여 단위 면적당 많은 셀을 배치하는 스몰 셀 네트워크 구조가 각광받고 있다.
스몰셀 기지국이란 기존의 수 km의 영역을 커버하는 매크로 기지국이 아닌 저전력과 수백~수십 m의 커버리지를 가지는 기지국을 의미한다. 현재 이동통신망은 셀간 간격이 도심 내 핫스팟 지역을 중심으로 수백 미터 이내로 작아지고 있으며, 향후 지속적으로 셀간 간격이 조밀해 질 것으로 예상하고 있다.[2] 하지만 셀의 크기가 작아짐에 따라 셀 간 간섭 문제가 심화되고 스몰셀 배치에 발생하는 백홀 링크 비용 문제, 그리고 단말의 이동으로 인한 잦은 셀의 변경 등 여러가지 문제가 발생하여 이에 대한 연구가 진행되고 있다. 특히, 백홀 용량의 병목 현상을 해결하고 사용자의 체감 품질을 향상 시키기 위해 스몰셀 기지국에 컨텐츠를 캐싱하는 방안이 대두되고 있으며, 엣지 컴퓨팅과 스마트 네트워크 등 5G의 기술 진화 방향에 따라 단순한 캐싱이 아닌 사용자의 요구 사항을 예측/수용하는 능동 캐싱에 대한 관심이 크게 증가하고 있다. [3]
스몰셀 네트워크에서의 능동 캐싱이란, 사용자에게 인기있는 컨텐츠를 스몰셀 기지국에 배치하는 것으로, 사용자가 어떤 컨텐츠를 요청 할 것인지 미리 예측하고 컨텐츠를 요청하기 전에 가져다 놓는 것을 의미한다. [4] 하지만 스몰셀 네트워크에서의 능동 캐싱을 위해서는 스몰셀 기지국에서의 컨텐츠 인기도 예측의 어려움, 제한된 캐시 사이즈, 스몰셀 기지국 간의 컨텐츠 인기도 차이로 인해 기존의 셀룰러 망이나 유선망에서의 캐싱에 비해 원하는 컨텐츠를 캐싱하는 것이 훨씬 어려운 문제이다.
이러한 한계점을 극복하고 대용량의 데이터 전송 및 사용자의 체감 품질을 보장하기 위해서 본 학위 논문에서는 기계 학습 기반의 새로운 능동 캐싱 프레임워크를 제안한다. 먼저, 본 학위 논문에서는 능동 캐싱에 관한 관련 연구들을 분석하고 정리한다. 또한, 능동 캐싱을 설계하기 위해 전송 기술로서 사용되는 협력 통신 (CoMP)에 대한 이론적 배경과 캐싱 전략을 구성하기 위해 활용되는 Non-negative Matrix Factorization (NMF)와 Long Short Term Memory (LSTM) 등 여러가지 기계 학습 기법에 대해 설명한다.
다음으로, 본 논문에서는 협력 통신을 통한 캐싱 성능을 분석하여 스몰셀 기지국 간 컨텐츠 인기도가 서로 다른 환경에서 능동 캐싱에 협력 통신을 이용하기 위한 근본적인 조건에 대해 분석한다. 세번째로, 본 논문에서는 CoMP 기반의 스몰셀 네트워크에서 어떤 컨텐츠를 어디에 캐싱해야 하는지에 관한 기계 학습 기반의 Spatial 능동 캐싱 연구를 수행하고 네번째로는, 다양한 설계 원칙과 기계학습을 활용한 종합적인 Spatio-temporal 능동 캐싱 프레임워크를 제안한다. 그리고 컨텐츠 적중률, 컨텐츠 전송 시간 등 여러가지 성능 평가를 통해 제안한 프레임워크의 우수성을 검증한다.
결론적으로, 제안한 기계학습 기반의 능동 캐싱 프레임워크를 통해 사용자의 요구를 미리 파악하고 예측하여 대응함으로써 사용자의 QoE를 만족시키면서 네트워크의 무선 자원을 절약 시킬 수 있음을 보인다. 또한, 이를 통해 망 사업자 및 컨텐츠 제공 사업자들은 적은 비용으로 사용자에게 고품질의 VoD, 스트리밍 서비스 등을 제공할 수 있음을 보인다.
