論文の概要: OrchestRAN: Network Automation through Orchestrated Intelligence in the Open RAN

• arxiv url: http://arxiv.org/abs/2201.05632v1
• Date: Fri, 14 Jan 2022 19:20:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 17:09:01.196449
• Title: OrchestRAN: Network Automation through Orchestrated Intelligence in the Open RAN
• Title（参考訳）: OrchestRAN: Open RANにおけるオーケストレーションインテリジェンスによるネットワーク自動化
• Authors: Salvatore D'Oro, Leonardo Bonati, Michele Polese, and Tommaso Melodia
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 27.197110488665157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The next generation of cellular networks will be characterized by softwarized, open, and disaggregated architectures exposing analytics and control knobs to enable network intelligence. How to realize this vision, however, is largely an open problem. In this paper, we take a decisive step forward by presenting and prototyping OrchestRAN, a novel orchestration framework that embraces and builds upon the Open RAN paradigm to provide a practical solution to these challenges. OrchestRAN has been designed to execute in the non-real-time RAN Intelligent Controller (RIC) and allows Network Operators (NOs) to specify high-level control/inference objectives (i.e., adapt scheduling, and forecast capacity in near-real-time for a set of base stations in Downtown New York). OrchestRAN automatically computes the optimal set of data-driven algorithms and their execution location to achieve intents specified by the NOs while meeting the desired timing requirements. We show that the problem of orchestrating intelligence in Open RAN is NP-hard, and design low-complexity solutions to support real-world applications. We prototype OrchestRAN and test it at scale on Colosseum. Our experimental results on a network with 7 base stations and 42 users demonstrate that OrchestRAN is able to instantiate data-driven services on demand with minimal control overhead and latency.
• Abstract（参考訳）: 次世代のセルネットワークの特徴は、ネットワークインテリジェンスを実現するために分析と制御ノブを暴露するソフトウォーマ、オープン、非凝集アーキテクチャである。 しかし、このビジョンを実現する方法は、主にオープンな問題である。 本稿では,これらの課題に対する実用的な解決策を提供するために,Open RANパラダイムを取り入れ,構築する新しいオーケストレーションフレームワークであるOrchestRANを提示し,プロトタイピングすることで,決定的な一歩を踏み出す。 OrchestRANは、非リアルタイム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ー(NOs)が高レベルな制御/推論の目的(すなわち、ニューヨーク中心街の基地局のほぼリアルタイムでのスケジューリングと予測能力)を指定することができる。 OrchestRANは、最適なデータ駆動アルゴリズムセットとその実行場所を自動的に計算し、所望のタイミング要件を満たしながら、NOが指定した意図を達成する。 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。 OrchestRANをプロトタイプとしてColosseumで大規模にテストしています。 7つのベースステーションと42のユーザからなるネットワーク上の実験結果から,orchestornは最小限のコントロールオーバーヘッドとレイテンシで,オンデマンドでデータ駆動サービスをインスタンス化できることが分かりました。

関連論文リスト

• 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)
• Intelligent O-RAN Traffic Steering for URLLC Through Deep Reinforcement Learning [3.59419219139168]
  Open RAN(O-RAN)は、インテリジェントなRANアーキテクチャを構築するための有望なパラダイムである。 本稿では,機械学習(ML)に基づくトラフィックステアリング(TS)方式を提案する。 我々のソリューションは、O-RANのxAppsとして提供される従来のリアクティブTSアプローチに対して評価され、デプロイされたすべてのSFC間で平均15.81パーセントの待ち行列が減少することを示している。
  論文  参考訳（メタデータ） (2023-03-03T14:34:25Z)
• 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)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• 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)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• Intelligence and Learning in O-RAN for Data-driven NextG Cellular Networks [22.260874168813647]
  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。
  論文  参考訳（メタデータ） (2020-12-02T15:12:18Z)
• Deep reinforcement learning for RAN optimization and control [6.964699504779571]
  RANに関する強い前提やドメイン知識のないインテリジェントなコントローラの構築を目指しています。 まず,実験室環境における閉ループ制御テストベッドRANを,最大規模の無線ベンダが提供したeNodeBを用いて構築する。 次に、RANからの重要なパフォーマンス指標のライブフィードバックでトレーニングされた二重Qネットワークエージェントを構築します。
  論文  参考訳（メタデータ） (2020-11-09T18:02:52Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)
• Real-Time Semantic Segmentation via Auto Depth, Downsampling Joint Decision and Feature Aggregation [54.28963233377946]
  本稿では,セグメンテーション戦略の自動化を目的として,AutoRTNetという共同検索フレームワークを提案する。 具体的には,ネットワーク深度とダウンサンプリング戦略を協調的に決定するハイパーセルと,自動マルチスケール機能アグリゲーションを実現するアグリゲーションセルを提案する。
  論文  参考訳（メタデータ） (2020-03-31T14:02:25Z)

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。