Sep, 2022

5G 网络中基于开放 RAN 架构的流量引导可编程定制智能化

PDF
TL;DR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％。
5gopen ran paradigmran intelligent controllerdeep reinforcement learningtraffic steering
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

  • 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

  • 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

  • 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 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

  • 面向下一代开放式无线接入网络 ——O-RAN 能做什么，不能做什么！

    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

  • 选择而不囤积：O-RAN 中人工智能的信息到模型匹配

    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

  • 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

    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

  • 理解 O-RAN: 架构、接口、算法、安全与研究挑战

    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

  • 基于机器学习的 O-RAN 部署下的切换预测与 RAN 智能控制器

    利用 O-RAN 的智能和灵活的网络控制，本研究介绍了一种基于开放和可重构网络的用例，以预测切换事件，并理解此类预测对所有依赖通信网络进行业务的利益相关者的价值。我们提出了一种基于长短期记忆机器学习方法，使用标准无线接入网络测量数据来预测切换事件。通过在真实网络数据上进行训练，我们的结果表明所提出的方法可以根据应用层目标进行优化，以提高精度或召回率。我们还将机器学习算法的性能与网络运营成本联系起来，结果表明相比长期资源购买，基于机器学习的资源匹配可以将运营成本降低 80% 以上。

    Apr, 2024