Traffic Driven Analysis of Cellular Data Networks

Traffic

Driven

Analysis

of

Cellular

Data

Networks

Computer Science Department Stony Brook University

Joint work with Utpal Paul, Luis Ortiz (Stony Brook U), Milind Buddhikot, 

Mobile Data Usage

Relatively little research on nature of mobile data

traffic. ₂

0.6 EB / month

10.8 EB / month

Forecast of Global Mobile Data Traffic

Source: CISCO VNI Mobile

1 Exabyte = 1 million Terabyte

Higher than the

traffic volume in the entire Global Internet

3 Traffic     Management Modeling  and  Forecasting Traffic  Analysis

Flow  Monitoring Tool SQL Database Packet Flows

Internet Flow Records

Mobility and Session  Manager Radio Access Network

Measurement

Infrastructure

Sample

Results

from

Traffic

Analysis

• Data collected from a nationwide 2G/3G network  circa 2007

– About 10K BSes, 1M subscribers. 

• Significant traffic imbalance per subscriber and  per BS

– 1% of subscribers create more than 60% of load.  – 10% of BSes experience more than 50% of load.

• Mobility is generally low

– More than 50% subscribers stick to just one BS daily.  – Median radius of gyration is ~1 mile.  

Sample

Results

from

Traffic

Analysis

• Mobility is predictable

– Subscribers are almost always found in their top 2‐3 

most visited locations. 

– They return to the same location at the same time of 

the day with high probability. 

• More mobile subscribers tend to generate more  traffic. 

• Radio resource usage efficiency is very poor

Functional

Influence

Among

BSes

• _{Model BS load as time series. Explore causal} 

relationships between pairs of time series. 

• _{Granger Causality – Determines whether one time} 

series is useful in forecasting another when using an 

autoregressive model.

– Has been used in economics and neuroscience. 

• Statistically significant causality exists among 

neighboring BSes (roughly among half of the 

neighbors). 

• _{Causality graph and causal path – Make a graph out of} 

causality. Long paths exist in this graph (median = 15 

Modeling

Study

• Model BS traffic loads exploiting any  interactions/dependencies

– Exploit tools from machine learning. 

– Many possible directions – purely static/spatial, 

dynamic/temporal.

• Goals:

– Intellectual – broad understanding of any underlying 

structure would help future network architectures. 

– Utilitarian – models can help estimation/forecasting.  

• Assume load on n base stations are multi‐variate Gaussian:

• Learn the parameters given a set of training data, 

specifically the “inverse covariance matrix”       ,  

given a set of training data (p observations).  • is easier to estimate than       and exposes 

interesting properties. 

Spatial

Modeling

Approach:

Probabilistic

Graphical

Modeling

Mean vector Covariance matrix

Inverse

Covariance

Matrix:

Properties

• If       then load  variables       and        are 

conditionally independent,  given the rest of the 

variables.

• Most problems produce a  `sparse’ model. 

• Related to probabilistic  graphical models (e.g., 

Gaussian Markov Random  Field).

1

2

3 4

5

Undirected Graphical Model

‐> Edge

‐> no edge

Graph properties translate to probabilistic (in)dependencies

Inference

Problem

the load of a subset of BSes S as the conditional mean:

• Broad questions: 

– How large should be S? Effort 

vs. accuracy tradeoff.  – How to choose S? 1 2 3 4 5 Measure only a 

subset and estimate  the rest. 

First

Solve

the

Learning

Problem

training data.

• How? Exploit relationship with linear 

regression modeling.

– Express load of BS i as a linear function of all other 

BS loads and then regress:

– Regression coefficients       can be shown to be 

directly related to inv. cov. matrix elements.  

Y_i 



Sparse

Models

• _{Sparse model ‐> many regression coeffs are} 

zero.

• _{Reduces danger of over‐fitting (lowering} 

variance). Also, computationally efficient. 

• Introduce a regularization term in regression. 

We used “Lasso” .

Empirical error Regularization term modeling penalty

Regularization

• _{Cross‐validate using additional training} 

samples (not used for model creation). 

• Use various values of      to create different 

models. 

• Choose the one with max likelihood. 

Data

Processing

• Hourly load of 400 BSes covering 75 x 84 miles area. Includes a busy downtown and surrounding suburbs. 

• _{No temporal dimension in model. Create different} 

models for for different parts of the day (every 4 

hours). 

• _{Account for diurnal variation of load. Use residuals} 

Average

Edge

Length

in

the

Model

Graph

• _{Apparent spatial/regional significance.} 

Choosing

the

Measured

Set

S

• _{Greedy strategy – each iteration picks the BS that} 

minimizes the error estimate.

Impact

of

Estimation

Accuracy

on

Applications

• We understand the measurement complexity 

(size of S) vs. Error tradeoff. 

• But how much accuracy do we need? Need to 

turn to applications 

• _{Studied two applications}

– Energy Management 

Opportunistic

Traffic

Scheduling

• Similar to Smart Electric Grid – move non‐urgent traffic 

from peak to off‐peak periods. 

– What is non‐urgent? p2p, large downloads, sync, push, etc. 

– Who decides? User agent on mobile. May have multiple  levels of priority or have deadlines to aid scheduling. 

– Carriers can incentivize such scheduling. 

• _{Similar to QoS scheduling – but at a higher layer and at} 

a longer time scale. 

• Two components in System Architecture

– Server (Scheduler) in core network.

Time Line

2PM 2:30PM 3PM 3:30PM

Creates low-priority flow Deadline=2hr

20

Server (scheduler) in the 

Solving

the

Scheduling

Problem

flows are prioritized.

• _{But for any approach, server needs to be able} 

estimate current/future loads at all BSes. 

– Also, needs to model/estimate subscriber mobility 

(separate problem).

• Poor estimation leads to poor scheduler 

Evaluation

Approach

• Trace‐driven simulator based on a capacity model  of BSes. 

• Opportunistic scheduling is meant to admit more  traffic but with the same network capacity. 

• We use the same traffic trace always, but reduce  network capacity to demonstrate impact. 

• Impact?

– Do low priority flows still finish within a reasonable 

time? 

Results

• Low priority flows = 

random subset of long‐

lived flows (over 25 mins),  about 8% of all flows. 

Randomly chosen 

deadlines 1 ‐ 4 hours.  • Rest high priority.  

• Scheduling epoch hourly.  • Only a subset of 400 BSes

are measured, rest  estimated. 

Conclusions

• Discovering structures in mobile traffic is a 

rich area of study. 

• Applications in network and resource 

25 Traffic     Management Modeling  and  Forecasting Traffic  Analysis

Questions?