本文探讨了 O-RAN 联盟提出的解聚的网络架构是否为 NextG 网络的关键要素，并在此框架下研究了数据驱动优化方法的潜力、挑战和局限性，以及实现自主和自优化网络愿景的深度强化学习智能体通过实时分析与控制的闭环集成的可行性。

Dec, 2020

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

O-RAN 和 O-Cloud 构成了一个重要的范式转变，可以带来前所未有的性能提升，并提出了一系列试验来评估 O-Cloud 的能耗成本以及其依赖性，同时提出了一种基于能效的计算策略和一种基于射频的策略，以实现在服务器和用户之间公平地平衡能源节约和性能。

Feb, 2024

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

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

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

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

本文对 C-RAN 的最新研究进展进行简要概述，包括前程压缩、基带处理、媒体访问控制、资源分配、系统级考虑和标准化工作，C-RAN 在 5G 系统发展中具有重要地位。

Dec, 2015

该论文研究了如何利用机器学习算法实现开放式无线接入网络的智能化管控，提出了一种基于多智能体和多臂赌博机的负载平衡和资源分配策略，并通过仿真实验证明，该算法在有效提升网络吞吐率的同时，相对于基于规则的和其他启发式算法，更能实现开放接入单元之间的负载均衡。

Mar, 2023