O-RAN架构、接口和标准化:学习和应用程序用户智能许可控制

1介绍

以外的第五代(5克)和蜂窝网络设想来支持多个类的服务质量(QoS)需求多样化和广泛的电台性能目标,如宽带数据速率,严格的无线电延迟,严格链路可靠性、先进的处理,分别和计算能力。然而,目前厂商的网络部署,具有专有接口和设备,高度限制细胞技术创新,发展和能力支持未来关键的用例。因此,开放的无线接入网络(O-RAN)引入了新的接口和架构依赖开放性和互操作性支持使可编程数据驱动控制和智能网络部署(Bonati et al ., 2020)。开放允许运营商选择不同的开放现成的硬件和软件组件从多个供应商不局限于单个供应商的专有的硬件,并因此,构建灵活、随需应变的可伸缩的部署。不过,目前有多个挑战多供应商部署模型如:(1)增加了复杂性确定和隔离的网络性能问题,在此,系统集成商的角色变得至关重要的管理和控制增加了故障诊断的复杂性,和(2)安全是一个关注的特定领域的基础设施部署由不同厂商的设备可能会增加表面积的威胁。因此,有一个协调的全球努力提高O-RAN架构性能通过虚拟化网络元素和开放接口,将情报在跑和利用新兴学习方法采用智能跑的每一层的体系结构。

AI /毫升技术自1950年代以来已经发展为解决多个研究问题,这是非常具有挑战性的优化在人工环境中,从视觉应用专家系统。同时,无线技术的复杂性大大增加,即。,multi-RAT heterogeneous networks, facing challenging requirements in terms of throughput, latency, and reliability (王et al ., 2020;Kaur et al ., 2021)。因此,它是一个自然进化为无线社区评估AI /毫升解决方案如何支持设计和部署下一代无线系统面临的约束(射频非线性补偿的端到端网络优化和自动化)。然而,这不是一个简单的任务应用人工智能/毫升解决方案在无线领域由于几个独特的性能问题。例如,(a)在部分可观测的部署,决定算法只有局部视图的网络,这导致次优的AI /毫升操作,(b) non-stationarity,传播条件,用户位置和交通特征可能会迅速发展,(c)实时约束,例如,L1 / L2运行的应用程序在毫秒时间尺度,(d)低数据政权,很难在某些部署来获得大量的样本对一些网络/环境条件,很少发生,和(e)可伸缩性挑战,AI /毫升的决定可能适用于成千上万的用户设备的(问题)或更大规模工业物联网(IIOTs)部署(沃斯,2022)。

此外,一个多智能体策略时需要多个AI人工智能程序并行运行和应用独立的行动在同一网络参数和/或同一个网络区域。代理合作的设计;然而,一些竞争也可能发生,例如,在干扰或安全攻击或决定相邻网络参数的影响是不能很好地控制。O-RAN架构支持这种多层决策架构。例如,一个问题可能执行智能传感俄文水平可能对其环境的影响,智能优化波束形成模式。DU认知模块可能执行调度决策在毫秒级的基础上(Polese, et al ., 2020),而near-RT RIC决定用户协会多个单元(例如,资源优化)和一个非rt RIC提高长期的网络性能(例如,政策选择和网络编制)通过聚合数据网络上一个更大的区域。同时,所需的存储量和处理能力的智能模块可以通过适当的网络动态适应函数编制,根据特定于部署的要求。O-RAN的分类架构能够受益于大池效应乘以进展最先进的服务器架构(戴尔的技术,2022)。

需求数量的无线问题及其严格的性能目标使优化网络容量非常具有挑战性的任务。因此,有效地利用无线资源,同时保证QoS服务概要文件对于每个问题,网络试图找到问题的最大数量,可以同时支持(Manosha et al ., 2017)。这个操作称为“用户承认控制(AC)”,网络决定和在哪里能够承认用正餐的QoS的目标可能会满意,例如,他们的目标数据率满足(卡巴雷若et al ., 2018)。用户交流被认为是一个优化问题,传统的穷举搜索方法是一种方法找到全局最优解。然而,通过增加用户的数量,该方法的计算复杂度成倍增加,和一些次优算法在实际场景中寻找(阮et al ., 2015)。用户在开放的文学交流问题都进行了广泛的研究。对于交流已经首先检查与单变量系统的输出(刘et al ., 2012)在一个l₀问题是。考虑到不同优先级的用户组(Monemi et al ., 2015),迭代算法通过使用之间的相关性Signal-to-Interference-plus-Noise比(SINR)和用户的传输功率。集中式算法提出了解决用户交流优化问题(阮et al ., 2015);d。集中实现已经调查了对于多变量(味噌)系统(Matskani et al ., 2008),它被定义为一个整数非线性优化问题为单个细胞。然后,利用半定松弛法,两个近似的解决方案开发。一个分布式算法也被提出(Mitliagkas et al ., 2011)利用对偶分解法。资源访问计划也被调查的主题特定用例(5克邱et al ., 2020),例如使用区块链确定录取和资源访问基于物联网网络(丁et al ., 2019)。除了更高的数据速率配置外,还有其他不同的用例5克,即飞船稳定性极强,低延迟通信(URLLC),和巨大的机器类型通信(mMTC)。每个用例允许控制问题提供了不同的挑战,同时也依赖于不同的网络参数如图所示的近期作品文学(Mehmeti和门,2019;Mehmeti La门,2021 a;Mehmeti和门,2021 b)。

此外,在蜂窝网络中,用户可能会经历广泛不同的广播条件。例如,用户,谁更接近基站(BS),有一个更高的平均SINR比细胞边缘用户。此外,某些用户可能位于一个丰富的散射环境而其他人可能不会经历类似的条件(谢霆锋和史,2005年)。因此,它是具有挑战性的,以确保用户之间的公平性时动态系统承认,因为不同的衰落统计数据(Manosha et al ., 2017)。目前大多数采用AC算法考虑静态流动部署或利用AC算法为一个特定的实例,在一些新问题,移动场景考虑。同时也有些实现执行AC为所有问题,假设所有连接请求在同一时间接收。因此,当这样的解决方案是使用在动态网络,随着时间的推移,他们可能不会提供公平当承认用户。因此,必须有具体的研究利用新兴学习这一挑战的方法。

在本文中,我们首先提出开放的关键技术架构,之后O-RAN联盟标准化、互操作性的机会,其潜力使基于真正的人工智能的移动解决方案。我们调查的背景O-RAN联盟参考体系结构和描述其视觉和工作组的结构。在下一节中,我们考虑一个实际的部署问题的用例单细胞与动态交通用户交流。假设顺序(不规则)问题活动,执行动态交流在网上设置是至关重要的。因此,我们提出一个概念验证,用于具有交流用例是集成在一个network-simulator-3 (NS-3)框架,并辅以先进的人工智能/毫升交流学习解决方案。

2概述O-RAN联盟体系结构、接口和标准化

2.1 O-RAN联盟体系结构

开跑,由O-RAN联盟(作为占主导地位的一个开放标准组织),是基于传统的运行系统的崩溃到广播单元(俄文),分布式单元(DU)和中央单元(CU)组件,除了各种硬件平台和软件。开放了一个转换现有的移动网络;它带来了多样化的生态系统为运行基础设施的发展,而不是传统的供应商专用的解决方案。它允许运营商来自多个供应商的选择不同的硬件和软件组件不被局限于一个电信供应商。我们应该强调开放跑技术开始作为一种运动,适用于所有移动技术代(所有xg),即,2 g、3 g、4 g 5克,所有未来的Gs。3 gpp规范定义,O-RAN联盟还指定了开放跑内部关键跑构件之间的接口,确保多供应商的互操作性。同时开跑技术完全符合3 gpp标准,进一步发展了功能对真正开放和智能系统,提供以下的关键环节(2020年美国5克,2020年):

−打开俄文和基带单元之间的标准接口(公共汽车),包括元素管理系统(EMS)的无线电/基带,网络管理系统,控制和数据平面,分别和铜DU。

−脱钩的部署软件硬件平台执行。

−开放硬件提供平台与通用处理器和加速器。

−开放软件商业上可行的满足所有的高性能关键性能要求支持实时系统规范。

特别,开放网络,发展的标准化接口,确保互操作性的分类组件是成功的关键和大规模采用。指定3 gpp伙伴研究过,因此,不同的功能分割选择铜和杜之间,它从高层跑分低层分离,如图所示图1。之前选择一个势函数分割为一定开了部署,需要考虑如下几个方面:

−传输带宽:指图1,传输带宽,即。,required data rate, is decreased, while the achievable latency increases with the split option from the left to the right, i.e., from split option 8 to split option 1. The selected functional split allows a tradeoff between flexibility and latency with requirements on the achievable data rate.

−建筑功能划分:建筑功能分离开跑应该基于硬件和软件厂商中立。O-RAN联盟设计了一个开放的运行界面设置和定义无线电硬件需求处理功能和控制功能的DU和相应的软件。

−互操作性:不同供应商之间的互操作性系统是一个重要的开放运行系统要求。因此,建筑功能划分将导致一个接口,可以很容易地实现任何积分器和严格的测试,以允许这种互操作性。

后结果,评估不同的俄文,DU,和铜分离选项指定的3 gpp和降低复杂性、灵活性、传输数据速率,延迟,性能,和总体成本与每个分裂相关联,相应地O-RAN联盟体系结构和接口定义为双重功能分割与选项2 (DU-CU分裂/高层分裂)和选项7-2x (DU-RU分裂/低层分裂)。对于小细胞场景,小细胞论坛(SCF)标准化选择6 (MAC-PHY分裂)与用户相关的接口,控制、同步和管理飞机。在本文中,我们主要关注O-RAN定义架构选项2和选项中所描绘的一样7-2x图2。

作为高层分裂,分裂选项2重要的好处是,所有中央单元(CU)函数可以完全虚拟化和服务器上运行合格的数据中心。通过对比选项2,用户平面(U-plane)和控制平面(C-plane)是分开的。基于3 gpp函数拆分选项2和7-2x O-RAN架构应包括服务管理和编制(SMO)平台,运行智能控制器(RICs)接近实时(near-RT)和非实时(非rt)决策(这将在2.3节详细),和O-RAN功能。此外,O-RAN联盟自己标准化接口开放的体系结构和扩展了现有的3 gpp接口和eCPRI fronthaul连接摘要和O-RU。

2.2 O-RAN联盟接口

除了类似的飞机由3 gpp U-plane / C-plane,新功能分割和交通流数据在开放运行架构,O-RAN联盟还定义了M-plane处理管理和配置,处理同步和定时的s平面和扩展C-plane处理接近实时控制。所描绘的图2O-RAN联盟定义的接口,连接网络功能(NF) O-RAN架构的构建块,包括O1、O2, A1, E2上层分裂如下所述(R1等接口在SMO和拉普之间的本文的范围)。对于下层分裂,现有接口eCPRI front-haul连接摘要和O-RU。

−O1界面:该界面支持SMO内的管理实体框架,包括O-RAN元素,如管理操作和维护(OAM),相关函数的多供应商包括FCAPS(故障、配置、会计、性能管理、安全管理),分别和软件管理。

−O2界面:该界面连接ORAN O-Cloud SMO,,因此,它调节服务的集合分成两个逻辑组:基础设施管理服务,这是一个子集的O2函数,目的是用于部署和管理云基础设施,和部署管理服务,O2的子集函数负责部署在云基础设施的生命周期管理。

−A1界面:该界面定义之间的非rt里克(SMO)和near-RT里克。非rt里克提供near-RT里克等业务指导政策,例如,管理采用机器学习在xApps (ML)模型。它还负责编制和自动化(包括非rt里克),和5 g gNB(包括near-RT里克)。

−E2接口:E2接口是一个开放接口转发所谓E2-nodes的测量,即。,DUs, CUs, and O-RAN compliant LTE eNBs, to the near-RT RIC, and the configuration commands back to the DUs and CUs (Polese et al ., 2022)。这使得基站内的网络控制进行操作,使用支持监视器,暂停,控制和覆盖信息,运行xApps发送的命令,接收到的数据收集和度量的单位。

此外,随着fronthaul接口,eCPRI使分裂的基带函数来减少交通转移和框架,可以作为通过在以太网接口利用已经存在的无处不在的以太网网络。所示图3分裂选择7-2x DL,开放了fronthaul接口连接一个或多个O-RUs的摘要。物理层功能分为下部,即。PHY-low (L1-low)和较高的部分,即。PHY-high (L1-high)。PHY-low驻留在O-RU执行I / Q分解,预编码,数字/模拟波束形成,快速傅里叶逆变换(传输线)和循环前缀(CP)。PHY-high驻留在摘要执行匆忙,灯,层映射,预编码,资源元素映射和I / Q压缩。

此外,O-RAN联盟区分7-2x O-RUs A类和B类类型,这取决于如果O-RU支持预编码函数,如图所示图3。B类类型O-RU支持multi-antenna大规模分布式天线系统,而类别O-RU支持远程无线头(rrh) 1/2/4Tx / Rx。的细节O-RAN DL和分裂7-2x UL结构和设计提出了O-RAN联盟技术规范(Rouwet 2022)。

2.3跑SMO和里克O-RAN联盟提出的

在本节中,我们简要解释的细节上层分裂和非rt near-RT RICs。为了使穿过里克的可编程性,O-RAN联盟的目标是独立的控制和管理功能运行基础设施的数据平面功能。使一个更优化的生态系统的智能特性和应用靠近边缘的跑,层次非rt和near-RT A1, O1,和E2接口提出了O-RAN联盟的参考体系结构。O-RAN参考设计引入了分层RIC平台,利用原生云环境的计算能力使AI /毫升驱动的智能决策和自动化。图2描述的一般组织层次控制回路采用各种O-RAN函数(O-RAN工作组2021)。非rt函数,称为拉普,包括服务、配置、政策管理和分析。的非rt RIC主机model-training near-RT应用程序在某些情况下。在这些情况下,训练模型和实时控制功能中生成非rt RIC转移到near-RT里克在运行时执行。鼓励创造性和开放性,介绍了near-RT里克作为一个开放平台托管多供应商应用程序计算优势。额外的开放接口添加新的计算平台时添加到参考架构(Polese et al ., 2022)。提供了一个全面的讨论开放接口。xApps或第三方应用,部署到near-RT里克,主要是训练有素的ML模型,在基于云的环境接近的边缘跑和铜/ DU提供near-RT控制命令。

分割RICs基于相关的延迟容忍micro-services O-RAN联盟是一种新的NF。非rt RIC支持拉普面对运营商如故障管理、性能管理、生命周期管理,分别涉及1或多个控制回路;near-RT RIC支持xApps面临广播电台等基础设施资源管理、干涉检测和缓解,分别涉及控制循环10毫秒1 s (2020年O-RAN工作组6日)。在一起,他们负责运行操作和优化跨multi-operator服务程序和多供应商的硬件和软件组件。这种时序为基础划分允许非rt RIC执行compute-heavy和storage-heavy AI /毫升模型训练,例如,发现和预测统计模式如网络时空交通模式,用户移动模式、大规模分布式天线参数配置模式基于计数器,SMO收集的统计数据,故障警报。因此,它们提供了基于策略的指导near-RT RIC运行时执行来实现高效的无线资源分配。毫升模型推理和/或再培训地点接近分布式O-RU消耗更少的计算和存储。为了进一步提高互操作性,near-RT里克是向后兼容遗产无线电资源管理通过E2界面,邀请新的和传统的供应商加入O-RAN创新发展的最好方法捆绑功能块实现最高效率和最优延迟根据部署场景,例如,宏,巨大的天线系统,分别和小细胞部署(Polese et al ., 2022)。

2.4 O-RAN联盟标准化和用例

2.4.1 3 gpp运动标准化开放

3 gpp已经开始开发各种功能拆分选项的一部分Release-14(2014年,TR 38.801),即,pre-5G发布。介绍功能分割,旨在介绍将标准的协议栈的概念,比如分离处理某一层的协议栈的计算实体。这样3 gpp运动被认为是真正的初始种子细胞界面和处理开放性和后续O-RAN规范的关键驱动因素。此外,3 gpp release-18进展(即。,2023—5G-advanced), new critical use-cases are emerging such as extended reality (XR). Those emerging service classes require extensive computing powers (which is typically delegated to the edge of the network, i.e., edge computing), high-capacity, and low latency radio links, respectively. Accordingly, the efficient support of those stringent services is highly challenging. It is therefore envisioned that future O-RAN architectures may upgrade the cellular systems’ capability to efficiently support those future use-cases, due to, unlike 3GPP native systems, its unique computing pooling capabilities, and ultimate interface flexibility.

有一些积蓄开跑项目,寻求统一的生态系统,供应链合作伙伴,推进开放贯穿的定义、开发和测试的标准和参考架构。超出了标准定义的第三代合作伙伴计划(3 gpp),多个行业组织领导开放跑运动,每一个都有不同的目的在以下小节详细。

2.4.2 O-RAN联盟,小费,开放政策联盟和ONF跑去

因为硬件、软件和电信公司共同努力,创建一个开放的虚拟云网络,标准化是至关重要的。有几个主要标准化组织在开放跑运动。然而,只有两个,已经吸引了全球媒体和更多的工业比其他人注意:O-RAN联盟,成立于2018年初,全球carrier-led努力试图定义新的无线电架构,和电信基础设施项目(提示),这是由Facebook ( $-$ 2016元)。在这篇文章中,我们已经讨论了所有的开放架构,基于O-RAN联盟标准的接口和用例。O-RAN联盟的主要目标是为建立一个供应链,打开了市场对新供应商。正如在第二节所讨论的,关键O-RAN原则是开放和智慧。因此,O-RAN标准化进展总是包括在网络控制器工作,管理和编制框架和接口,连接所有的电信网络组件运行的基础设施。通过定义新的标准化接口,AI-optimized闭环自动化是实现和一个新时代网络启用操作(并行的无线,2020)。截至今天,O-RAN联盟规范工作已经分成技术工作小组(WGs),它们的技术指导委员会监督下(TSC)。所示表1,每个WGs覆盖O-RAN系统架构的一部分:

相比3 gpp标准接口和架构,O-RAN联盟关注一个分而治之的完全互操作的运行架构。关于接口标准化,3 gpp主要发展问题和网络节点之间的接口,即eNodeB在长期演进(LTE)或在3 gpp gNodeB新的无线电技术(NR)和节点间的接口。网络节点,eNodeB或gNodeB,几层的3 gpp协议栈;然而,它已被视为单一的网络实体,提供所有的电台访问服务。

节点组件等俄文和杜,这是特定于供应商的和相互关联的专有接口,无线网络运营商必须从一个供应商购买一个完整的实体。然而O-RAN,追求一个目标有一个全面运作和可互操作的架构,与来自不同供应商的硬件和软件。O-RAN提供了一个架构为基础的虚拟化和分解开放硬件和云。O-RAN规范定义的可互操作的接口完全支持O-RAN开放式体系结构和补充3 gpp标准。

重要的是要强调技巧和O-RAN联盟之间的区别。O-RAN联盟参与开发,推动和实施标准,以确保来自不同供应商的组件和设备进行互操作。部署一个开放的、可互操作的生态系统,现有差距在3 gpp和其他标准的身体需要妥善解决。它还创建概要文件的互操作性测试标准是可用的。另一方面,主要专注于部署和执行。它支持插拔大会和生活领域部署,确保不同供应商的软件和硬件设备工作。这将使供应商在访问多样性和降低部署和维护成本,运输,和核心网络。

其他两位杰出的开放举措包括开放积蓄跑政策联盟(ONF)和开放的网络基础。第一个是在2020年年中推出,和倡导政策帮助推动开放跑收养。其日益增长的会员包括电信运营商、设备制造商、软件开发商和硅片制造商(Moniem科技,2021)。ONF还宣布一些新举措开放域2020年8月。这个基金会提供的开源实现功能受雇于开放运行组件如O-CU,摘要,RICs。从技术角度来看,O-RAN联盟是最基础的工作,促使与其他组织的合作关系。是在跑市场的新方法,以加快其规范的采用。它将继续与其他相关标准组织密切合作。

2.4.3 O-RAN联盟标准化时间表

评估开放运行解决方案通常是3 gpp相关标准化活动,即。,the future open networks are perceived as enhanced 4G/LTE and 5G/NR Radio Access Technologies (RATs) with new functions, logical blocks and vendor-agnostic platforms. Therefore, a vital open reference architecture—so called: O-RAN—is developed by O-RAN Alliance, and founded by AT&T, China Mobile, Deutsche Telekom, NTT DOCOMO and Orange in August 2018 (O-RAN联盟,2018年)。O-RAN联盟两位前组织的融合,建立C-RAN联盟和xRAN论坛(业务线,2018)。这两个组织有不同的起源,即。,China from one side and the United States, Europe, Japan and Korea from the other side. To date, O-RAN Alliance has been signing, developing, and publishing technology liaisons, collaboration agreements, and formal specifications (see图4)。

2.4.4 O-RAN期和二期的用例

图5显示了不同的用例定义为O-RAN联盟,哪些是分成两个阶段根据组织成员的偏好Dryjański公里,2021)。用例从较早开发的第一阶段应解决的更直接的需求操作符(O-RAN联盟,2020年)。类似于3 gpp stage-1/2和第三阶段规范阶段,O-RAN规范遵循两阶段规范结构为了第一,第一期期间,学习和指定高优先级和系统级的主题包括白盒硬件、交通引导、QoS优化,分别和大规模的分布式天线。在第二阶段,用例具体和详细的规范执行,类似于3 gpp第三阶段详细的规范,在此,具体系统的增强,包括新的信号过程,新的界面设计或功能,和消息组成,都是标准化,使支持目标功能或服务的第一期期间(标识)。

在以下部分中,我们说明这个新O-RAN情报体系结构通过提供一个交流概念验证(PoC)的用例。对读者的方便,我们第一次调查AC在蜂窝系统的基本操作。

3 AI /毫升允许控制用例

3.1的动力

无线网络的运作原则是可用的时间和频率资源在多个用户之间共享。没有任何控制问题承认一个细胞的数量,感知到的服务质量(QoS)的用户恶化问题由一个细胞的数量增加,并可能细胞转换成拥挤的状态。细胞交流在LTE和5 g是一种有效的方法来减轻这种网络拥塞情况,确保保证QoS问题。呼叫允许算法在一些预设规则或阈值和提供了一个决定是否一个来电可以接受在网络,或是否需要被删除。因此,交流是一个重要的无线电资源管理(RRM)技术用于新呼叫设置和切换实例调用内部网络。交流的另一个目的是确保满足不同的QoS需求目标用户承认不同的电台性能要求的基础上,积极服务类型、用户偏好,和网络负载(Skehil et al ., 2007)。

虽然运营商在无线资源控制设置计数器(RRC)层,控制的最大用户数量在一个单元中与一个固定的阈值,这样的静态交流不有效地迎合网络流量变化体积/移民,异构设备类型,和不同的QoS要求要求5 g服务类,如增强的移动宽带(eMBB),分别和飞船稳定性极强,低延迟通信(URLLC)。3 gpp也调查,通过不同的使用案例研究、过程和标准设置的最大数量问题,可以使用一个网络同时片(3 gpp, 2021)。

使用方法从人工智能/毫升域无线网络中的交流问题有可能提高效率的决策过程。深上优于基于AC技术已被证明比non-AI格兰特和偏好技术在云服务和edge-based网络(周et al ., 2021)。在基于AI /毫升的背景下交流实现O-RAN框架内,多个设计方面需要解决,如:

E2的。数据收集的流动节点使用O-RAN接口,这包括的类型和粒度性能指标用于实时推理和AI /毫升模型再培训

b。AI /毫升模型类型和/或分类最有效率的这个问题,这包括评估和选择从监督和非监督模型,同时平衡训练复杂度和推断的准确性

c。AI /毫升模型部署的位置来确定主机和节点操作符(non-RT-RIC / near-RT-RIC / E2节点),将本地存储和处理之间的妥协一方面,和界面加载另一方面

d。AI /毫升模型用新数据更新过程包括培训的标准模型或重新选择一个新的模型,对交流的决定,和

e。所需的操作更改网络的介质访问控制(MAC)调度器和无线资源控制(RRC)支持AI / ML-native AC和遵循RIC-based决策。

因此,在本节中,我们提供了一个广泛的绩效评估中的一个AI / ML-driven AC算法O-RAN兼容的体系结构。场景设置等,具有交流放置xApps的一部分,这是集成在一个NS-3仿真框架。因此,我们首先讨论的实现提出O-RAN设置内的交流计划,第二,我们目前的细节模型训练,与NS-3仿真集成环境。最后,大量的系统级仿真结果描述。

3.2 O-RAN兼容的系统架构

提出了AC算法可以实现在一个O-RAN框架,near-RT里克作为xApp主持。算法的目的是动态控制允许的问题能力单元,通过发送E2消息铜来控制细胞的能力。这样的推荐能力是决定基于ML-driven QoS预测每个细胞。所示的体系结构实现图6,E2的通信接口使ML near-RT里克模式部署,因此,定期更新细胞的能力。功能,比如QoS能力预测和建议,可以部署在near-RT里克,因为他们不需要在严格执行实时约束。其他功能,比如无线资源控制(RRC)连接请求处理,优先级问题处理,将铜的执行,以确保及时响应传入的连接请求。机器学习模型,用于预测QoS,可以提供给near-RT RIC非rt RIC通过A1接口。一个拉普将负责培训毫升模型更新从网络收集的数据,然后发送新的模型用于推理。另外,培训过程可以通过离线方式执行(独立于奥兰框架),然后部署到SMO的near-RT里克O1接口。xApps和铜函数执行这些函数定义如下:

考虑到建筑上面介绍的那样,不同的功能可以分为分类流,使网络满足每个O-RAN组件的延时要求。总共有4个流动,即数据采集、ML-based能力的建议,分别录取决定和性能监控和培训。所需的数据收集流程负责订阅网络测量E2节点。这样的测量由KPIMON接收监控(KPI) xApp (O-RAN联盟,2019年)并保存在数据库中。此外,收集的数据聚合在一个固定的时间部分和维护near-RT RIC用于QoS的预测。ML-based能力推荐流管理QoS预测和动态电池容量控制。这些函数执行在ML QoS估计和AC xApps,在最终的输出是一个铜E2消息。录取决定流可以在实时处理的铜,RRC连接请求在哪里处理near-RT里克推荐的基于阈值。最后,性能监控和培训流程负责分析部署毫升模型的性能和触发SMO的再培训或非rt RIC如果必要的话。中所描绘的一样图7,该算法的调用流的奥兰部署。

训练ML模式,毫升训练rApp接收来自铜、网络测量,因此,通过ML QoS估计xApp训练模型。的KPIMON xApp订阅周期单元网络测量,将收到从铜/ E2接口的迹象,因此,将它们存储在数据库中。QoS估计xApp从数据库检索测量段固定的时候,运行QoS预测毫升预测模型和存储在数据库中。AC xApp检索后处理的QoS的预测,计算推荐的每个细胞的能力。最后,它包和发送E2消息设置铜上的政策。铜接收到新政策,并使用它们为做出录取决定当它收到一个RRC连接请求。

3.3毫升模型训练和仿真设置

绩效评估的考虑交流用例,我们训练和评估一组毫升模型预测PDU包数据融合协议推迟(PDCP)层,延迟的QoS指标考虑的算法。这些模型将利用QoS预测系统中设置,在3.2节。采用ML模型包括传统的机器学习模型,如山脊,再邻居(资讯)和随机森林解释变量,分别。此外,我们采用深度学习包括前馈神经网络模型。因此,在本节中,我们讨论了模型训练过程,包括数据清洗操作。

模型训练过程包括多个初步步骤清洁训练数据,和预处理功能包括SINR,和参考信号接收功率(RSRP) db(分贝)和dbm(分贝毫瓦)比例,分别。具有用户承认控制,我们每个细胞聚集数据ID,在1 s的时间片段,并计算平均RSRP, SINR和独特的议题在细胞的数量。原始数据集分为0.67和0.33在训练集和测试集,分别;和三分之一的训练集用于验证。我们训练不同的ML模型使用问题统计,平均RSRP和平均SINR预测平均PDCP延迟单元。模型hyperparameters优化使用网格搜索算法在一组选定的每个参数的值。

一旦模型训练和验证测试集,它可以部署到生产环境类似于3.2节中解释道。预处理步骤在数据集上执行应当也做过网络上的测量收集在运行时通过推理模型。此外,如果报告运行时环境中的网络测量在不同的单位和规模、预处理应相应改变。模型将会在同一时间运行预测数据集,其中使用的输出将AC算法阈值的建议。

毫升模型推断是用来比较预测效果额外的问题会对给定单元的平均QoS。提供操作员定义最小QoS值,该算法决定承认另一个现有问题的QoS问题会妥协。

3.4 NS-3试验台

我们利用内置的模型文件NS-3提出人工智能的集成使xApp AC算法。模型文件包括LteUEPhy,LteEnbRrc,LteUePdcp(ns-3 2019),它代表了主要的协议栈层参与交流的过程,和符合3 gpp。NS-3推理流程提出了AC算法证明了图8。

交流机制主要驻留在RRC层,和获取网络测量的Phy层使用GenerateCqiRsrpRsrq的函数LteUEPhy模型文件。NS-3的测量收集在传输时间间隔(创科实业)的基础上,也就是1米间隔(模拟与数字命理学5 g 0)。然而,模型训练、细胞水平测量是必需的。这需要预处理测量产生的问题,包括聚合问题数据在每个细胞层面上的时间粒度。选择时间粒度来应对AC RRC层中的控制回路。细胞水平的测量是一个平均RSRP地图,参考信号接收质量(RSRQ) SINR,每个单元格的问题数量在1 s区间。的LteEnbRrc也跟踪问题承认每个细胞的数量,以及每个细胞各自实现的能力。每个细胞的能力值计算问题的最大数量,可以承认细胞在不违反最大PDCP封包延迟,这种能力基于ML的预测延迟更新模型。说明细胞的水平测量地图内LteEnbRrc模型文件中给出图9。

触发器基于策略的交流流LteEnbRrc层安排一个调用AdmissionControl每1 s函数预测每个细胞的平均延迟,因此,根据目标延迟更新他们的政策。ns-3事件调度器操作调用AdmissionControl函数的预测,即。,predicts average delay for all the cells considering one additional UE per cell. The model inference on the cell-level measurements is used to update the capacity for each cell. If the predicted delay for a cell is less than the predefined threshold, the capacity is increased by 1, implying that the cell can admit one more UE.

第三流是入学的决定,设置m_admitRrcConnectionRequest国旗,基于细胞的容量阈值接收RRC请求。这个流事件驱动与入学/拒绝逻辑嵌入RecvRrcConnectionRequest函数。所以,当一个细胞接收一个RRC请求问题,相应CellID变量检索。使用CellID细胞的能力,从存储中检索表。布尔变量设置为True,如果电池的容量至少一个超过当前单元格的负载;否则,它将是错误的。在第一种情况下,m_admitRrcConnectionRequest标志被设置为True, RRC层问题发送一个确认消息,启动RRC设置问题和变化问题状态连接成功后RRC设置完成。相反,在标志设置为False, RRC层将RRC拒绝消息转发到问题随着等待时间,它指定的时间间隔后问题可以发送一个新的RRC请求。

的一些流动,计划进一步增强NS-3集成,包括回调函数收集延迟值PDCP层。这些真正的延迟值将使模型再培训,将导致模型在模拟寿命性能改进。

3.5绩效评估

在本节中,我们提出了执行毫升模型实验和各自的模型性能,基于ML模型和训练过程中解释3.3节。采用ML模型包括传统的机器学习模型,如山脊,再邻居(资讯)和随机森林解释变量,分别。此外,我们采用深度学习包括前馈神经网络模型。我们将讨论使用的性能指标和模型利用NS-3 AC算法的集成。

培训和验证的数据集,采用ML模型,生成基于NS-3长期演进(LTE)模拟(即。lena-dual-stripe场景(ns-3 2021),静态模拟快照。即固定数量的细胞和细胞带宽,除了一个预定义的固定的数据包大小,分别和包到达率。可用的数量问题,交流是多种多样的,因此,每个细胞负载变得动态变异等时间,获得的数据集是不同的低延迟和高PDU样本。问题的位置是多样化的和独立的运行多个模拟活动与不同的模拟随机种子。具体来说,100模拟执行,10个不同的问题,每个10多种随机种子。这导致更大范围的经验丰富的PDU延迟,即。更广泛的PDU延迟分布,描述了图10。表2列出了主要仿真参数,采用宏观部署。

我们把数据集分割成2264个训练实例和1116个测试实例培训和评估模型。表3下面提供了模型在测试集的性能结果。我们使用R2得分和平均绝对误差(MAE)指标来评估毫升模型表现。R2分数表明目标变量的比例,可以推断出从输入功能;美提供了模型平均误差的观测在测试集,而最小化。

测试表明,该梯度提高模型在使用测试集上执行最好的美0.0089。资讯等模型,随机森林和神经网络模型往往有一个类似的美表现,即。,从0.013到0.021。这样的结果是合理的基于树模型的能力学习非线性模式在丰富的场景数据不可用。

由于模型用于不同的环境,研究模型鲁棒性在不同的设置。我们比较的性能梯度增强模型和神经网络在高流量负载数据集,生成相同的仿真设置50 - 70问题。这些测试进行评估模型的扩展对交通模式的预测能力的训练集分布。图11,12显示地面真理和预测平均推迟对问题的数量/细胞,两种模型。图11表明,使用神经网络模型将更健壮的环境没有以前看到的模型,为预测规模越来越多的问题。相比之下,梯度提高预测不扩大实例有超过13个问题/单元,即。,the highest number of UEs/cell observed in the training set. Therefore, although gradient boosting yields a lower MAE, using a neural network is suitable when the ML model is intended to operate in an environment different from training.

接下来,我们评估的E2E性能提出了接纳控制算法。特别是,性能比较指标从毫升模型是预测变量,即。,平均PDCP数据包延迟。此外,我们讨论AC算法的成本问题RRC拒绝以确保减少QoS违规。性能基准测试,我们使用两个计划:我)不允许控制,可访问性的一个上界KPI和ii)固定阈值允许控制,采用每细胞数量最大的问题,和在所有的细胞都能保持不变。内固定阈值设定的OAM O-RAN框架,它代表了最佳实践操作如LTE网络。我们使用2,4,8为选定的阈值基于细胞带宽和严格的目标PDCP延迟。此外,满足负载变化,我们使用不同数量的均匀分散在网络覆盖的问题。此外,不同的interpacket到达率值被用于模拟,这显示了生成的细胞负荷的变化由于用户需求的降低interarrival时间。使用仿真参数是相同的图12,唯一的区别是,10和100之间的问题是多种多样的,被认为是包interarrival *是1米和10米。性能稳定的基础款AC算法验证基于神经网络算法的可伸缩性问题的数量增加训练数据以外的范围。

第一个提出导致图13给出了性能比较的不同算法的平均服务延迟和不同数量的问题和变化的数据包interarrival时间。从线图,我们注意到固定阈值允许控制2问题场景的10米包interarrival时间显示最低的延迟。这是由于严格的录取控制策略不允许超过2问题/细胞即使有足够的能力在细胞中。我们会看到在以后的结果,这是在利用资源,都有一个关联的成本。而基于ML AC算法的平均延迟仍远低于最大延迟阈值,没有AC算法的平均延迟(NS-3默认机制)迅速增加阈值以上,特别是问题数量的增加超过50岁。另一个观察从这个图是10米包interarrival时间的性能略优于1 m的场景中,这在预料之中,因为交通负载较低的10 m interarrival时间延迟导致较低的服务。

累积分布函数(CDF)表示平均延迟图14显示了一个性能趋势与以前的结果一致。2问题的固定门票控制阈值的显示延迟方面的最好的结果。的细胞的数量与延迟值高于200米的阈值,基于ML的AC算法和固定阈值的4个问题显示更高比例的细胞比固定阈值与2问题。为了比较,在10米包interarrival时间,大约95%的细胞满足最大平均延迟阈值的固定阈值与2和4问题交流,和基于ML的AC。价值下降到75%和60%的固定阈值与8个问题,没有交流,分别。固定阈值的性能与8个问题之间没有交流,基于ML算法由于其宽松的阈值,接受更多的问题,因此导致退化平均QoS。

的图图15显示的平均服务延迟的散点图基于ML AC算法在不同人口问题和包interarrival持续时间。我们观察到延迟违反数量的增加单调的网络问题。大多数的QoS违规,即。,when average cell delay is greater than the predefined threshold, while number of UEs is less than 50, comes with the 1 m packet interarrival cases. However, as the number of UEs approaches 100, we observe comparable QoS violations for 1 m and 10 m packet interarrival cases.

最后,我们目前的模拟器的结果为AC算法考虑报废率图16。虽然没有交流的方法以来0废品率接受所有RRC请求,由于严格的阈值和QoS约束、2问题的固定阈值问题RRC请求报废率更高,这尺度线性问题的数量增加。一般来说,所有病例的废品率增加线性网络的问题,除了8固定问题阈值的问题,没有交流的场景。RRC拒绝的大量固定阈值AC部署成本。所以,当我们把目标QoS问题提高到95%基于ML的交流,它也有一个降低相关成本改善问题QoS较低数量的RRC拒绝相比固定AC 2的阈值问题。因此,基于ML AC罢工之间的平衡资源利用率(问题交流在我们的例子中)和平均服务延迟。与固定的AC阈值相比4问题,虽然固定交流计划显示了报废率略低,基于ML的交流展示了一个更好的延迟与176年优化延迟违反相比195年违反固定阈值方案4问题。固定交流与8个问题,较低的废品率带来了巨大代价的延迟侵犯,描绘交流太宽松,导致高QoS退化。另一个明显的事实的结果是,我们得到相同的结果为每个场景的阈值1米和10米包interarrival *。高报废率可以解决如果交通转向和RRC请求重定向功能是可用的和激活动态拒绝RRC请求转发到邻近的细胞较低的负载。

3.6未来的增强

AC PoC的用例是一个最初的努力实现一个在NS-3 xApp算法实时决策问题的框架。在描述实现有多种限制,现总结如下。

•优化执行在一个细胞粒度和不考虑整个网络优化全网性能。

•算法只假设数据包PDU作为唯一性能KPI,并且不考虑其他的关键因素,其中的例子包括物理资源块(复审委员会)利用率、功率分配和目标调制和编码方案(MCS) /问题。

•该算法可能导致服务拒绝用户当细胞容量阈值。在这种情况下,用户等待直到细胞的能力增强。优化的服务否认可能是通过动态RRC转向技术进一步研究和减轻。

因此,有几个未来的增强,它可以被应用到现有的单细胞AC算法实现。例如,一个多单元与RRC请求用户承认控制操舵功能可以帮助平衡负载细胞之间,确保更多的问题是网络中承认而满足各自的目标很高的QoS。同样,如果AC算法应用于交接的情况下,它将确保已连接的QoS问题在终止细胞不会受到损害。通过能源效率的角度来看,我们可以调整AC算法转移RRC请求,拒绝从一个原始细胞的细胞,将会有一个最低功耗增加由于增加的问题。最后,对于动态分配到不同的设备类类型,设备应该引入基于类的阈值设定个人中的每个类类型细胞的能力。

4结论

在这项工作中,全面的概述O-RAN架构,技术,规格,开放和标准化程序都严格调查。首先,打开了建筑设计的关键,主要的体系结构构建块,和相应的各种功能拆分选项和开放接口已经被讨论了。其次,开放跑技术的潜力释放灵活和独立于供应商的互操作性机会,广泛。接下来,我们提供了一个洞察O-RAN联盟标准化过程及其工作组关注领域、阶段I和II用例和选择行为和事件的时间表与开放发展。最后,介绍了独特的开跑设计方面,使一个有效的和大规模的支持AI /毫升在蜂窝网络中,以其新颖的多层决策架构。为了说明这个新架构的网络性能优化能力,我们设计了一个基于ML AC O-RAN PoC和集成在NS-3 LTE模拟器。基于ML的方法显示了良好的性能对于延迟预测给定网络中的问题,和平均值的SINR, RSRQ每个细胞。仿真结果表明,基于ML的解决方案降低了问题QoS违规的成本略高废品率为生成问题RRC请求。我们还强调了未来改进的框架,包括交流解决方案扩展到多单元环境与交通转向功能,使实时负载均衡提高QoS问题。

数据可用性声明

原始的贡献提出了研究中都包含在这篇文章/辅料,可以针对相应的作者进一步询问。

作者的贡献

这项工作是所有作者的合作开发的。马,呃,MM写和修改了手稿。毫米和编译结果哦,RA的监督下实施。GP和先生也回顾了手稿。所有作者都阅读和批准发布的版本的手稿。

的利益冲突

作者马,呃,MM, AE,风湿性关节炎,医生,受雇于公司戴尔先生的技术。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

缩写

交流,允许控制;人工智能,人工智能;废话,基站;但是,基带单元;关键绩效指标KPI;MAC、介质访问控制;美,平均绝对误差;毫升,机器学习;多输入多输出天线系统;NF、网络功能; NR, New Radio; Near-RT, Near Real-Time; Non-RT, Non-Real-Time; PDCP, Packet Data Convergence Protocol; OAM, Operation and Maintenance; O-CU, Open Central Unit; O-DU, Open Distributed Unit; O-RU, Open Radio Unit; O-RAN, Open Radio Access Network; QoS, Quality of Service; RRC, Radio Resource Control; RIC, RAN Intelligent Controller; RSRP, Reference Signal Received Power; SINR, Signal to Interference plus Noise Ratio; SMO, Service Management and Orchestration; TIP, Telecom Infra Project; UE, User Equipment.

引用