論文の概要: Intelligence and Learning in O-RAN for Data-driven NextG Cellular Networks

• arxiv url: http://arxiv.org/abs/2012.01263v1
• Date: Wed, 2 Dec 2020 15:12:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 03:45:13.150417
• Title: Intelligence and Learning in O-RAN for Data-driven NextG Cellular Networks
• Title（参考訳）: データ駆動型NextGセルネットワークのためのO-RANのインテリジェンスと学習
• Authors: Leonardo Bonati, Salvatore D'Oro, Michele Polese, Stefano Basagni, Tommaso Melodia
• Abstract要約: NextG" セルネットワークはプログラマブルで非集約的なアーキテクチャ上に構築される。 本稿では,O-RANアライアンスによって提案されたNextGの非集合アーキテクチャについて考察する。 これは、O-RAN準拠のソフトウェアコンポーネントとオープンソースのフルスタックの軟弱セルネットワークを統合するための、最初の大規模なデモを提供する。
• 参考スコア（独自算出の注目度）: 22.260874168813647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Future, "NextG" cellular networks will be natively cloud-based and built upon programmable, virtualized, and disaggregated architectures. The separation of control functions from the hardware fabric and the introduction of standardized control interfaces will enable the definition of custom closed-control loops, which will ultimately enable embedded intelligence and real-time analytics, thus effectively realizing the vision of autonomous and self-optimizing networks. This article explores the NextG disaggregated architecture proposed by the O-RAN Alliance. Within this architectural context, it discusses potential, challenges, and limitations of data-driven optimization approaches to network control over different timescales. It also provides the first large-scale demonstration of the integration of O-RAN-compliant software components with an open-source full-stack softwarized cellular network. Experiments conducted on Colosseum, the world's largest wireless network emulator, demonstrate closed-loop integration of real-time analytics and control through deep reinforcement learning agents. We also demonstrate for the first time Radio Access Network (RAN) control through xApps running on the near real-time RAN Intelligent Controller (RIC), to optimize the scheduling policies of co-existing network slices, leveraging O-RAN open interfaces to collect data at the edge of the network.
• Abstract（参考訳）: 将来的には、"nextg"セルラーネットワークはクラウドベースで、プログラマブル、仮想化、分散アーキテクチャ上に構築される予定である。 ハードウェアファブリックからの制御機能の分離と標準化された制御インターフェースの導入により、独自のクローズドコントロールループの定義が可能になり、最終的には組み込みインテリジェンスとリアルタイム分析が可能になり、自律的および自己最適化ネットワークのビジョンを効果的に実現することができる。 本稿では,O-RANアライアンスによって提案されたNextG分散アーキテクチャについて考察する。 このアーキテクチャのコンテキスト内では、異なる時間スケールにおけるネットワーク制御に対するデータ駆動最適化アプローチの可能性、課題、および制限について論じる。 また、O-RAN準拠のソフトウェアコンポーネントとオープンソースのフルスタックの軟弱セルネットワークの統合の大規模なデモも提供する。 世界最大の無線ネットワークエミュレータであるColosseumで実施された実験では、リアルタイム分析と深層強化学習エージェントによる制御のクローズループ統合が実証された。 また,リアルタイムに近いRAN Intelligent Controller (RIC)上で動作するxAppsを経由したRadio Access Network (RAN)制御を初めて実施し,既存のネットワークスライスのスケジューリングポリシを最適化し,O-RANオープンインターフェースを活用してネットワークのエッジでデータを収集した。

関連論文リスト

• Securing O-RAN Open Interfaces [17.479389941383605]
  次世代のセルネットワークは、オープン性、インテリジェンス、分散コンピューティングによって特徴づけられる。 Open Radio Access Network (Open RAN)フレームワークは、これらの理想を実現するための大きな飛躍を表している。 既存のベンダのロックインを妨害する可能性を秘めているが、Open RANの解体された性質は、重大なセキュリティ上の懸念を引き起こす。
  論文  参考訳（メタデータ） (2024-04-23T14:25:05Z)
• ML-based handover prediction over a real O-RAN deployment using RAN Intelligent controller [4.464102544889847]
  我々は、ハンドオーバイベントの予測可能性を調べるために、オープンで再構成可能なネットワークのためのユースケースを開発する。 ハンドオーバイベントの予測に標準無線アクセスネットワーク計測を用いる長短短期記憶機械学習手法を提案する。 その結果,必要なリソースと利用可能なリソースをMLでマッチングすることで,運用コストを80%以上削減できることがわかった。
  論文  参考訳（メタデータ） (2024-04-14T17:48:05Z)
• Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A Reinforcement Learning Based Approach [61.74489383629319]
  新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。 閉ループアクセス制御の強化学習(RL)支援方式を提案する。 深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
  論文  参考訳（メタデータ） (2023-03-05T12:25:49Z)
• Programmable and Customized Intelligence for Traffic Steering in 5G Networks Using Open RAN Architectures [16.48682480842328]
  5G以降のモバイルネットワークは、前例のない規模で異質なユースケースをサポートする。 無線アクセスネットワーク(RAN)のこのようなきめ細かい制御は、現在のセルアーキテクチャでは不可能である。 クローズドループ制御を可能とし,ユーザレベルでRANをデータ駆動でインテリジェントに最適化するオープンアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-09-28T15:31:06Z)
• Intelligent Closed-loop RAN Control with xApps in OpenRAN Gym [28.37831674645226]
  オープンRANのインテリジェント閉ループ制御のためのAI/MLソリューションの設計方法について論じる。 我々は、OpenRAN Gymを通じて、O-RAN RAN Intelligent Controller (RIC)上でインスタンス化されたxAppにこれらのソリューションを組み込む方法を示す。
  論文  参考訳（メタデータ） (2022-08-31T14:09:12Z)
• OrchestRAN: Network Automation through Orchestrated Intelligence in the Open RAN [27.197110488665157]
  ネットワークインテリジェンスのための新しいオーケストレーションフレームワークOrchestRANを提示・試作する。 OrchestRANは、リアルタイムのRAN Intelligent Controller(RIC)で実行するために設計されており、ネットワークオペレータ(NO)が高レベルな制御/推論の目的を指定することができる。 オープンRANにおけるインテリジェンスを編成する問題はNPハードであり、現実のアプリケーションをサポートするために低複雑さのソリューションを設計する。
  論文  参考訳（メタデータ） (2022-01-14T19:20:34Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
  次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。 エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。 本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
  論文  参考訳（メタデータ） (2021-04-05T20:57:56Z)
• Wireless Communications for Collaborative Federated Learning [160.82696473996566]
  IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。 GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。 本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-03T20:00:02Z)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。