머신러닝 기법에 기반한 사용자 수준 핸드오버 의사결정
User-Level Handover Decision Making Based on Machine Learning Approaches
본 서신은 건물, 커버리지 홀(coverage holes), 섀도잉(shadowing) 효과를 포함하는 불리한 전파 조건 시나리오에서 사용자 수준 핸드오버 의사결정을 위한 분류 및 회귀(regression) 응용에 대한 방법들의 광범위한 비교를 다룬다. 시뮬레이션 캠페인은 네트워크 시뮬레이터 ns-3를 기반으로 한다. 비교에는 KNN, SVM, 신경망(neural networks)과 같은 고전적 머신러닝 접근법뿐만 아니라 최신 퍼지 논리(fuzzy logic) 시스템 및 부스팅 머신(boosting machines)도 포함된다. 결과에 따르면 최적 핸드오버 대상의 분류에는 SVM과 MLP가 가장 적합하나, 퍼지 시스템 SOFL은 처리 시간이 더 짧으면서 유사한 성능을 낼 수 있다. 또한 다운로드 시간 추정에서는 LightGBM이 까다로운 전파 시나리오에서도 짧은 처리 시간으로 가장 작은 오차를 제공한다.