Machine Learning-Based Load Balancing Algorithms in Future Heterogeneous Networks: A Survey

Abstract

La croissance massive des utilisateurs mobiles et le besoin essentiel d'une qualité de service de communication élevée nécessitent le déploiement de réseaux hétérogènes ultra-denses (HetNets) composés de macro, micro, pico et femto cellules. Chaque type de cellule offre une couverture cellulaire différente et une capacité système distincte dans HetNets. Cela conduit à la nécessité pressante d'équilibrer les charges entre les cellules, en particulier avec la répartition aléatoire des utilisateurs dans de nombreuses directions de mobilité. Cet article fournit une enquête sur les modèles intelligents d'équilibrage de charge qui ont été développés dans HetNets, y compris ceux basés sur la technologie d'apprentissage automatique (ML). L'enquête fournit une ligne directrice et une feuille de route pour développer des modèles d'équilibrage de charge rentables, flexibles et intelligents dans les futurs HetNets. Un aperçu du problème générique de l'équilibrage de charge est également présenté. Le concept d'équilibrage de charge est d'abord introduit, puis son objectif, sa fonctionnalité et ses critères d'évaluation sont expliqués. En outre, un modèle d'équilibrage de charge de base et sa procédure opérationnelle sont décrits. Une revue complète de la littérature est ensuite menée, y compris les techniques et les solutions pour résoudre le problème d'équilibrage de charge. Les indicateurs clés de performance (KPI) utilisés dans l'évaluation des modèles d'équilibrage de charge dans HetNets sont présentés, ainsi que la relation d'optimisation simultanée de la couverture (CCO) et de l'optimisation de la robustesse de la mobilité (MRO) de l'équilibrage de charge. Une revue complète de la littérature sur les solutions d'équilibrage de charge pilotées par le ML est spécifiquement réalisée pour montrer le développement historique des modèles d'équilibrage de charge. Enfin, les défis actuels dans la mise en œuvre de ces modèles sont expliqués ainsi que les futurs aspects opérationnels de l'équilibrage de charge.El crecimiento masivo de los usuarios móviles y la necesidad esencial de una alta calidad del servicio de comunicación requieren el despliegue de redes heterogéneas ultradensas (HetNets) que consisten en macro, micro, pico y femtocélulas. Cada tipo de célula proporciona una cobertura de célula diferente y una capacidad de sistema distinta en HetNets. Esto lleva a la necesidad apremiante de equilibrar las cargas entre las celdas, especialmente con la distribución aleatoria de los usuarios en numerosas direcciones de movilidad. Este documento proporciona una encuesta sobre los modelos inteligentes de equilibrio de carga que se han desarrollado en HetNets, incluidos los basados en la tecnología de aprendizaje automático (ML). La encuesta proporciona una guía y una hoja de ruta para desarrollar modelos de balanceo de carga rentables, flexibles e inteligentes en futuras HetNets. También se presenta una descripción general del problema genérico del equilibrio de carga. Primero se introduce el concepto de balanceo de carga y luego se explica su propósito, funcionalidad y criterios de evaluación. Además, se describe un modelo básico de balanceo de carga y su procedimiento operativo. Luego se realiza una revisión exhaustiva de la literatura, que incluye técnicas y soluciones para abordar el problema del equilibrio de carga. Se presentan los indicadores clave de rendimiento (KPI) utilizados en la evaluación de los modelos de balanceo de carga en HetNets, junto con la relación simultánea de optimización de la cobertura (CCO) y optimización de la robustez de la movilidad (MRO) del balanceo de carga. Se realiza específicamente una revisión bibliográfica exhaustiva de las soluciones de equilibrio de carga impulsadas por ML para mostrar el desarrollo histórico de los modelos de equilibrio de carga. Finalmente, se explican los desafíos actuales en la implementación de estos modelos, así como los aspectos operativos futuros del balanceo de carga.The massive growth of mobile users and the essential need for high communication service quality necessitate the deployment of ultra-dense heterogeneous networks (HetNets) consisting of macro, micro, pico and femto cells. Each cell type provides different cell coverage and distinct system capacity in HetNets. This leads to the pressing need to balance loads between cells, especially with the random distribution of users in numerous mobility directions. This paper provides a survey on the intelligent load balancing models that have been developed in HetNets, including those based on the machine learning (ML) technology. The survey provides a guideline and a roadmap for developing cost-effective, flexible and intelligent load balancing models in future HetNets. An overview of the generic problem of load balancing is also presented. The concept of load balancing is first introduced, and its purpose, functionality and evaluation criteria are then explained. Besides, a basic load balancing model and its operational procedure are described. A comprehensive literature review is then conducted, including techniques and solutions of addressing the load balancing problem. The key performance indicators (KPIs) used in the evaluation of load balancing models in HetNets are presented, along with the concurrent optimisation of coverage (CCO) and mobility robustness optimisation (MRO) relationship of load balancing. A comprehensive literature review of ML-driven load balancing solutions is specifically accomplished to show the historical development of load balancing models. Finally, the current challenges in implementing these models are explained as well as the future operational aspects of load balancing.يتطلب النمو الهائل لمستخدمي الهواتف المحمولة والحاجة الأساسية لجودة خدمة الاتصالات العالية نشر شبكات غير متجانسة فائقة الكثافة (HetNets) تتكون من خلايا ماكرو ومايكرو وبيكو وفيمتو. يوفر كل نوع من أنواع الخلايا تغطية مختلفة للخلايا وقدرة نظام متميزة في HetNets. وهذا يؤدي إلى الحاجة الملحة لموازنة الأحمال بين الخلايا، خاصة مع التوزيع العشوائي للمستخدمين في العديد من اتجاهات التنقل. تقدم هذه الورقة دراسة استقصائية حول نماذج موازنة الحمل الذكية التي تم تطويرها في HetNets، بما في ذلك تلك القائمة على تقنية التعلم الآلي (ML). يوفر الاستطلاع إرشادات وخارطة طريق لتطوير نماذج موازنة حمل فعالة من حيث التكلفة ومرنة وذكية في شبكات HetNets المستقبلية. كما يتم تقديم نظرة عامة على المشكلة العامة لموازنة الأحمال. يتم تقديم مفهوم موازنة الحمل أولاً، ثم يتم شرح الغرض منه ووظيفته ومعايير التقييم. إلى جانب ذلك، يتم وصف نموذج موازنة الحمل الأساسي وإجراءاته التشغيلية. ثم يتم إجراء مراجعة شاملة للأدبيات، بما في ذلك تقنيات وحلول معالجة مشكلة موازنة الحمل. يتم عرض مؤشرات الأداء الرئيسية (KPIs) المستخدمة في تقييم نماذج موازنة الأحمال في HetNets، إلى جانب التحسين المتزامن للتغطية (CCO) وعلاقة تحسين متانة التنقل (MRO) لموازنة الأحمال. يتم إجراء مراجعة شاملة للأدبيات لحلول موازنة الأحمال القائمة على غسل الأموال على وجه التحديد لإظهار التطور التاريخي لنماذج موازنة الأحمال. وأخيرًا، يتم شرح التحديات الحالية في تنفيذ هذه النماذج بالإضافة إلى الجوانب التشغيلية المستقبلية لموازنة الأحمال.