本文介绍了 ns-O-RAN 软件框架，该框架整合了实际的生产级别的基于近实时 RAN 智能控制器 (near-RT RIC) 以及基于 ns-3 的 3GPP 模拟环境，以便开发 xApp 和自动化的大规模数据收集，并测试深度强化学习驱动的用户级优化控制策略。同时，作者提出了第一个面向用户的 O-RAN Traffic Steering (TS) 智能切换框架，将两种算法结合在一起，优化网络中的用户级别基站服务，使得传输速率和频谱效率平均提高了 50％。

Sep, 2022

本文提出并原型描述了一种基于 Open RAN 范例的新型编排框架 OrchestRAN，旨在通过自动计算最优数据驱动算法和其执行位置，实现网络智能控制和推理目标，以应对下一代软件化、开放式、分解式网络架构面临的挑战。在 Colosseum 平台上的实验结果表明，OrchestRAN 能够以最小的控制开销和延迟按需实例化数据驱动服务。

Jan, 2022

这篇研究论文主要介绍了 O-RAN 作为 6G 无线研究和开发框架的限制，并提出了解决这些限制的技术措施，为 O-RAN 平台的能力扩展和 6G 无线发展提供了研发机会，其中关键特性包括端到端的安全，确定性延迟，物理层实时控制以及基于人工智能的 RAN 控制应用的测试。

Nov, 2021

该研究提出基于机器学习的交通引导方案以预测网络拥塞并在避免其的基础上通过优化设置来服务具备低延迟和高可靠性需求的 URLLC 应用。在 O-RAN 中，比传统反应式交通引导方法平均减少 15.81％的排队延迟。

Mar, 2023

本文首次详细介绍 O-RAN 的架构、设计原则和界面，重点讨论了多厂商、互操作组件和基于中心抽象层的数据驱动闭环控制的 O-RAN 网络的创新和挑战，以及架构和接口所能实现的 AI 和 ML 工作流，并回顾了实验性研究平台和未来发展方向。

Feb, 2022

这篇论文介绍了 ColO-RAN，是一个能够解决缺少数据和实验测试基础设施的具有大规模的 O-RAN 测试框架，用于设计，训练，测试和评估基于深度强化学习 (DRL) 的闭环控制。它可以在真实网络上延迟进展，并提供了关于开发无线 DRL 管道的见解，从数据分析到 DRL 代理的设计，并在实际环境中展示了 ColO-RAN 的可移植性。

Dec, 2021

本文介绍了一种针对 O-RAN 的端到端设计和评估过程，探讨了如何利用两种不同的强化学习方法开发基于强化学习的 xApp，并考虑了最新发布的 O-RAN 架构和接口。

Sep, 2022

提出了分布式应用机制（dApps）以实现实时多元管理和控制，并结合已有组件和接口来集成 O-RAN 结构，能够对基础功能进行推理和控制以支持比 RIC 需求更严格的时序。

Mar, 2022

本文论述了利用来自不同地点的信息来训练多个 AI 模型实例以实现更灵活的 gNB 控制模式，从而提升了传统方法的性能。

Aug, 2022

本文提出了针对 O-RAN 中虚拟化单元的优化部署策略，以最小化网络中断并符合 O-RAN 特定的要求，从而提高网络的可用性和维护服务质量。

Oct, 2021