面向 O-RAN 的演员 - 评论家网络资源分配:xApp 设计,部署和分析
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
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
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
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
我们提出了一种创新的方法,旨在协调 Open Radio Access Network(O-RAN)中的多个独立 xAPPs,以实现网络切片和资源分配,并优化用户设备(UE)之间的加权吞吐量和物理资源块(PRB)的分配。通过设计 power control xAPP 和 PRB allocation xAPP,我们的方法通过监督学习和无监督学习的组合实现了高效的网络切片问题解决方案。与其他方法相比,我们的方法在不同场景中展现出更高的性能和效果。
Jan, 2024