Location Management Parameters/Analysis - Paging & User Mobility

Location Areas(LAs)를 설계하거나 최적의 Location Updates(LUs)를 규정하는 것이 더욱 더 중요한 문제로서 느껴지지만, paging 과 user mobility 또한 Location Management(LM)을 향상시키는데 일조한다. 비록 LU에 드는 비용이 paging에 드는 비용보다 더 많이 소요되지만, paging 비용또한 무시할 수 없다. 또한, 낮은 수준의 paging과 비효율적인 mobility 모델링 및 예측기법은 통화에 딜레이를 일으키거나 낮은 QoS를 낳으며, 이것은 유저가 체감할 수 있는 문제이다.

* Paging

전화 수신자의 위치를 최대한 빨리 찾기 위한 방안으로, 다양한 paging 기법들이 제안되었다. 가장 기본적인 방법으로, 동시(simultaneous) paging이 있으며, 이는 사용자의 위치를 찾기 위해 사용자의 LA에 위치한 모든 셀(cell)이 paged 되는 방법이다. LA내에 비교적 적은 통화가 발생하지 않는 이상, 이 기법은 다량의 paging을 유발시킬 것이다. 비록 이 방법이 다음에 제시될 순차(sequential) paging보다는 더욱 더 빨리 사용자의 위치를 찾을 수 있겟지만, 이것은 비효율적이라는 점이 주목할만하다.

이에 대한 대체 방안으로 순차 paging이 제안되었다. 이는 LA의 각 셀에 대해, 사용자가 있을법한 확률이 높은 셀에서부터 낮은 셀으로 이동하며 셀을 선택하여(poll) 순서대로 페이지 한다. 하지만 사용자가 드물게 방문하는 위치에 위치하는 경우, 모든 셀이 페이지 될 뿐 아니라, 통화수립과정에 큰 딜레이가 발생할 수 있다는 단점이 있다. 또한, 이 방법은 사용자의 위치정보를 정확히 수집해야 하는 요구조건이 있으며, 이를 위해서는 LU가 더욱 빈번하게 발생하여, 자원 또는 요금을 소모하게 되는 단점이 있다. 결과적으로, 대부분의 실제 구현사례에서는, 가장 최근에 발생한 LU 정보로부터 가장 가까운 셀부터 선택하고, 점차 범위를 바깥으로 넓혀가는 방법을 사용한다. 하지만, 이러한 방법은 사용자의 이동속도가 빠르거나 LM 구성상 LU의 빈도가 낮은 경우에는 비효율적이다.

위 두 모델에서의 단점을 보완하기 위해, 지능적(intelligent) 페이징이 소개되었다. 여기에서는 순차적으로 페이징 구역을 계산하기 위하여 확률행렬(probability matrix)을 사용한다. 이 방법은 순차 페이징의 개선된 방안이라 할 수 있다. 하지만, 이 구조는 행렬을 갱신하고 유지하는데 큰 계산적 오버헤드가 생기고, 비록 이론상에서는 최적화 된 방안이지만, 실제 휴대전화 네트워크 구현에 있어서는 가능성이 낮다는 문제가 있다. 따라서, 대부분의 경우 앞에 제시된 두가지 모델을 사용한다. 비록 최적의 페이징 방법이 사용자의 위치를 알아내는 작업을 더욱 빠르게 할 수 있지만, 가시적인 성능 개선을 위해 이동성 예측(mobility prediction)과 결합하는 것이 좋다.

* User Mobility

사용자의 다음 위치를 효과적으로 예측하기 위해서, 사용자의 이동 패턴이 분석되고, 이동성 모델이 설계되었으며, 이는 LM상의 네트워크에 적용될 수 있다. 

가장 간단한 모델으로서, random-walk가 있으며, 이는 사용자의 이동이 완전히 무작위적이라고 가정하는 것이다. 비록 이 모델은 부정확한 예측을 하지만, 장점으로는 각 개인에 대한 지식을 요구하지 않는다는 것과, 시뮬레이션에 있어 효과적으로 구현할 수 있다는 것이다. 종종 random-walk는 개선된 방안과의 대조군으로서 사용된다.

가장 보편적인 방안으로, 각 개인에 대해서는 무시하지만, 네트워크 자체를 하나로 인식하는, fluid-flow방법이 있다. 이 방법은 사용자들의 이동 패턴을 종합하고, 결과적으로 네트워크 활용을 최적화하고 거시적 수준의 설계를 하는데에 효과적이다. 하지만, fluid-flow 기법은 작은 스케일에는 적용하기 힘들고, 또한 특정 사용자에 대한 이동성 예측을 제공하지 못한다.

마르코프(Markovian) 이동성 모델 또한 존재하며, 이는 '사용자의 다음이동은 지난 이동내력을 통해 예측할 수 있다'는것이 주요 골자이다. 비록 계산량은 많지만, 모든 셀간의 이동확률이 각 사용자마다 정의된다. 마르코프 모델의 확장으로, activity-based 모델이 있으며, 이는 더욱 더 많은 계산량을 요구한다. 이 모델에서는 특정시간. 현재 사용자의 위치, 예상되는 위치와 같은 인자들이 저장되고, 이를 통해 이동예측을 할 수 있다. 하지만, 간단한 activity-based 구조 시험에서 볼 수 있듯, 위 모델들의 구현에서 계산 비용이 많이 소요되는데에 비해 불안정한 결과값이 생성되는 경우가 있었다. 물론 더욱 복잡한 activity-based 구조에서는 더욱 좋은 결과를 보일 수 있겠찌만, 계산 비용이 너무나 커지는 문제로 인해 구현되기 어렵다.

사실, 현재 진행중인 모델연구는 사용자의 이동을 예측하는데에 있어 만족할만한 성과를 내고 있지 않으며, 따라서 이 분야에 대한 꾸준한 연구를 필요로 한다. 따라서, [Cowling04]는 selective-prediction이라는 개선된 방안을 제시한다. 이는 이동이 쉽게 예측가능한 지역에 대해서만 이동 예측을 하는 것이며, 그 이외의 지역에는 무작위 예측 방법을 사용하는 것이다. 이 방안을 심화하기위하여, Cowling 은 특정 지역의 이동성 특성과 셀간 이동 확률을 학습하는, base station(BS)가 존재하는 네트워크 구조를 구상하였다. 이 학습 네트워크에서는 모든 움직임에 대한 확률을 가지는 마르코프 모델을 기반으로 하며, 이론상으로는 낮은 오버헤드를 갖는다.

추가적으로, [Halepovic05]에서는 사용자의 이동과 전화 트래픽을 샘플링하는 심층적 분석방법을 제시한다. 이 실험에서 보여주는 실증적인(empirical) 데이터에 따르면, 10%의 휴대전화 사용자는 총 전화 사용량의 2/3을 차지한다. 따라서, 이러한 사용자들에 대한 자원 할당에 있어 적절한 고려가 필요하다. 과반수의 사용자들은 많은 이동을 하지 않으며, 이들중 대부분은 훨씬 적은 전화 활용도를 보여준다. 적은 이동성을 보이는 사용자는 전화사용에 있어 큰 편차를 보임에 따라, 사용자 이동성과 데이터 트래픽간에는 낮은 연관관계를 가짐을 알 수 있다. 이 논문에서 도출하는 또다른 결과로, 대부분의 사용자는 고정된 특정 셀(home cell)을 가지고 있다는 것이다. 이 셀은 대부분의 전화통화가 이루어지는, 실제 집이거나 사무실 혹은 다른 장소를 의미한다. 이러한 특성은, 만약 사용자가 이러한 셀 내에 위치하는 경우에는 적은 위치정보 업데이트가 필요할 것이므로, 페이징 기술이나 LM에서의 특성화(customize)를 활용하는데에 도움을 줄 것이다.

원문 출처 : http://www.cse.wustl.edu/~jain/cse574-06/ftp/cellular_location/#LMPA