Dec, 2021

ColO-RAN：在可编程实验平台上开发基于机器学习的 xApps，用于开放式 RAN 闭环控制

PDF
TL;DR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。
open ranml-based network automationdeep reinforcement learning agentscolo-ranwireless drl pipelines
发现论文，激发创造
  • O-RAN 中的智能与学习，用于数据驱动的 NextG 蜂窝网络

    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

  • 面向 O-RAN 的演员 - 评论家网络资源分配：xApp 设计，部署和分析

    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

  • RLOps: 基于强化学习协助的开放式无线接入网开发生命周期

    本文介绍了机器学习在 Open RAN 技术中的应用，提出了一种名为 RLOps 的系统化模型开发、测试和验证生命周期，探讨了该方法的最佳实践，并设计实现了一个基于 O-RAN 部署的数据分析平台。

    Nov, 2021

  • 一种安全且加速的基于深度强化学习的 O-RAN 切片的混合迁移学习方法

    提出了使用深度强化学习 (DRL) 算法的开放无线接入网络 (O-RAN) 切片的转移学习 (TL) 辅助方法，通过政策复用和蒸馏转移学习方法实现了快速收敛和改进泛化能力，显著提高了初始奖励值和收敛场景百分比，减少了奖励方差。

    Sep, 2023

  • 5G 网络中基于开放 RAN 架构的流量引导可编程定制智能化

    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

  • O-RAN 中用于实时推断和控制的分布式应用程序

    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

  • 基于深度强化学习的智能 O-RAN URLLC 流量引导

    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

  • 增强 O-RAN 安全性：对基于图强化学习的连接管理的逃避攻击和健壮防御

    针对 Open Radio Access Networks (O-RAN) 的机器学习模型进行各种攻击和防御的对抗性机器学习研究，描述了威胁建模、逃逸攻击以及训练防御等内容，并展示了防御措施相较于无防御情况下将覆盖率提高 15% 的结果。

    May, 2024

  • OrchestRAN：面向开放 RAN 的编排智能网络自动化

    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

  • O-RAN 动态切片管理的演化深度强化学习

    本文介绍了一种新的管理网络切片的框架，该框架使用了基于演化的深度强化学习 (EDRL) 方法，将 O-RAN 切片表示为马尔可夫决策过程 (MDP)，并通过对资源分配的最优解来满足服务需求，模拟结果表明，所提出的方法比 DRL 基线提高了 62.2% 的服务质量。

    Aug, 2022