A Hybrid Machine Learning Approach for Predictive Handover Management in 5G mmWave Networks Using the ACPT-LB Framework

Nelle autostrade invisibili della comunicazione moderna, i dati viaggiano come onde radio che devono costantemente saltare da una torre all'altra mentre un utente si sposta. Questo processo, noto come handover, è il momento in cui un telefono cambia la propria connessione dalla stazione cellulare attuale alla successiva per mantenere un segnale chiaro. Nella nuova generazione di reti wireless, che utilizzano onde a frequenza estremamente elevata per fornire velocità fulminee, questi salti avvengono molto più spesso e con molta più difficoltà. Le onde sono così corte che non possono curvare intorno agli angoli o passare attraverso muri, foglie o persino un corpo umano. Di conseguenza, una connessione può svanire in una frazione di secondo se qualcosa blocca il percorso, costringendo la rete a trovare una nuova torre istantaneamente. Se la rete attende troppo a lungo per effettuare lo scambio, la chiamata cade; se effettua lo scambio troppo spesso o verso la torre sbagliata, la connessione traballa e spreca energia. Per anni, gli ingegneri hanno costruito sistemi che reagiscono a questi problemi solo dopo che si sono verificati, cercando di riparare un collegamento interrotto o di impedire a un utente di rimbalzare avanti e indietro tra due torri. La sfida è stata quella di passare da questo stato reattivo a uno proattivo, dove la rete possa prevedere un problema e risolverlo prima ancora che l'utente avverta un intoppo.

I ricercatori della Università Tecnologica Federale di Akure, in Nigeria, hanno compiuto un passo significativo verso questo obiettivo sviluppando un nuovo sistema chiamato PACPT-LB. Questo framework si basa su un metodo esistente noto come ACPT-LB, che ha già aiutato le torri a cooperare per bilanciare il numero di utenti che servono. La nuova aggiunta inserisce un livello di pipeline di machine learning sopra quella base, permettendo alla rete di prevedere tre tipi specifici di problemi prima che si verifichino: un handover fallito, un guasto del collegamento radio (dove la connessione muore completamente) e un evento "ping-pong", in cui un utente è costretto a passare avanti e indietro tra due torri ripetutamente. Per insegnare a questo sistema, i ricercatori non si sono affidati a dati telefonici del mondo reale, che possono essere disordinati o incompleti. Al contrario, hanno creato una simulazione massiccia e altamente dettagliata di una rete 5G utilizzando software specializzati. Hanno popolato questa città virtuale con 183 torri cellulari e hanno simulato il movimento di fino a 500 utenti che viaggiavano a velocità comprese tra una camminata lenta e i 160 chilometri orari. Nel corso dei loro esperimenti, hanno generato un dataset contenente circa 27 milioni di record di comportamento della rete, catturando ogni fluttuazione del segnale, ogni blocco e ogni decisione presa dalla rete.

Il cuore del loro lavoro consisteva nell'addestrare modelli informatici a riconoscere schemi all'interno di questo vasto oceano di dati. Hanno testato diversi tipi di algoritmi, tra cui semplici alberi decisionali che seguono un insieme di regole, modelli probabilistici che calcolano le probabilità e modelli lineari che cercano relazioni a linea retta. Hanno anche combinato questi algoritmi in squadre ibride per vedere se il lavoro di squadra avrebbe migliorato la loro precisione. I ricercatori hanno scoperto che il comportamento della rete non era uniforme; il miglior approccio dipendeva interamente dal problema specifico che si stava prevedendo. Per prevedere un handover fallito, una combinazione di un albero decisionale e un modello probabilistico si è rivelata la più affidabile, identificando correttamente il problema in quasi il 98,5 percento dei casi. Quando si trattava di prevedere una perdita completa di connessione, un albero decisionale che lavorava da solo ha ottenuto le prestazioni migliori, raggiungendo un tasso di successo superiore al 98 percento. Forse in modo sorprendente, per il problema del "ping-pong", un semplice modello probabilistico da solo è stato in grado di prevedere l'evento con una precisione perfetta in molti scenari, poiché le condizioni che causano il rimbalzo tra due torri sono distinte e facili da individuare.

Lo studio ha esplicitamente escluso l'idea che modelli più complessi siano sempre migliori. Sebbene i ricercatori abbiano testato combinazioni ibride di tre diversi algoritmi, hanno scoperto che aggiungere più modelli alla squadra non migliorava necessariamente i risultati. Infatti, per prevedere i guasti del collegamento radio, combinare i modelli rendeva talvolta le previsioni leggermente peggiori rispetto all'uso del singolo miglior modello da solo. Ciò suggerisce che la qualità del singolo algoritmo conta più della dimensione della squadra. I ricercatori hanno anche scoperto che la velocità dell'utente giocava un ruolo critico nel determinare quanto bene il sistema potesse apprendere. I modelli si comportavano diversamente a seconda che gli utenti stessero camminando, guidando a velocità cittadine o muovendosi a velocità autostradali, indicando che una singola regola statica non può gestire tutte queste condizioni. Il sistema ha imparato che ad alte velocità la rete deve agire più velocemente, mentre a basse velocità può permettersi di attendere più a lungo, e i modelli di machine learning si sono adattati con successo a queste dinamiche mutevoli.

Uno dei risultati più importanti di questa ricerca è la validazione della simulazione stessa. Prima che il machine learning potesse iniziare, i ricerci dovevano dimostrare che il loro mondo virtuale si comportasse come una rete reale. Hanno misurato quanto spesso le connessioni avevano successo, quanto spesso gli utenti rimbalzavano tra le torri e quanto rimanevano stabili i collegamenti. I risultati hanno mostrato che, sebbene il sistema non fosse perfetto, produceva schemi realistici di fallimento e successo che variavano logicamente con il numero di utenti e la loro velocità. Questo realismo era cruciale; se la simulazione fosse stata troppo perfetta, i modelli di machine learning non avrebbero avuto casi difficili da apprendere. Permettendo intenzionalmente alla simulazione di produrre una gamma di risultati, i ricercatori hanno garantito che i loro modelli fossero addestrati su dati che riflettevano la realtà disordinata della comunicazione wireless. L'output finale è un framework che può ora osservare le condizioni attuali della rete e prevedere con alta fiducia se una connessione stia per fallire, se un utente stia per incastrarsi in un loop o se un handover sia probabilmente destinato a fallire.

Questo lavoro non sostiene di aver risolto ogni problema della rete wireless, né sostiene che questi modelli funzionino già su hardware reale. I risultati si basano interamente sulla simulazione e i ricercatori riconoscono che fattori del mondo reale, come schemi di traffico imprevedibili e ritardi dell'hardware, potrebbero cambiare l'esito. Hanno anche notato che hanno testato solo tre tipi specifici di algoritmi, lasciando aperta la possibilità che altri modelli più complessi possano performare ancora meglio. Tuttavia, lo studio fornisce una chiara tabella di marcia su come passare da una gestione della rete reattiva a una previsione proattiva. Dimostrando che un approccio ibrido può anticipare i guasti con un'elevata precisione attraverso una vasta gamma di velocità e densità di utenti, i ricercatori hanno dimostrato che la rete potrà presto imparare a ripararsi da sola prima che l'utente perda una chiamata. La strada da seguire prevede il test di queste previsioni su banchi di prova fisici e il perfezionamento dei modelli per gestire scenari del mondo reale ancora più complessi, ma le fondamenta per una rete 5G più intelligente e anticipatoria sono state gettate con fermezza.