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

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

提出基于深度强化学习 (DRL) 的联合模式选择和资源管理方法，使用智能决策优化 C-RAN 和 D2D 模式下的无线和计算资源，旨在通过边缘缓存状态的动态优化长期减少系统能耗。在模拟中，将学习率和边缘缓存服务能力等参数的影响演示出来，并将该方案与其他不同的方案进行对比展示其有效性，并将迁移学习与 DRL 整合以加速学习过程。

Sep, 2018

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

本文研究了雾射频接入网络（F-RAN）中的模式选择和资源分配，并采用混合整数规划方法优化性能。此外，基于机器学习的强化学习算法用于解决原始高复杂性问题。最终的仿真结果表明，我们提出的算法可以在系统功耗和队列延迟之间实现权衡。

Feb, 2020

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

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

本文提出了一种基于联邦深度强化学习的算法，用于解决在 F-RAN 中动态计算卸载和资源分配问题，通过联邦学习，可以在保护用户隐私的同时，降低训练过程的计算复杂度，结果表明，该算法相对于其他现有策略，可以更快地实现更低的任务执行延迟和设备端能耗。

Jun, 2022