論文の概要: Intelligent Closed-loop RAN Control with xApps in OpenRAN Gym
- arxiv url: http://arxiv.org/abs/2208.14877v1
- Date: Wed, 31 Aug 2022 14:09:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-01 13:59:45.963214
- Title: Intelligent Closed-loop RAN Control with xApps in OpenRAN Gym
- Title（参考訳）: OpenRAN GymにおけるxAppsを用いたインテリジェント閉ループRAN制御
- Authors: Leonardo Bonati, Michele Polese, Salvatore D'Oro, Stefano Basagni,
Tommaso Melodia
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 28.37831674645226
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Softwarization, programmable network control and the use of all-encompassing
controllers acting at different timescales are heralded as the key drivers for
the evolution to next-generation cellular networks. These technologies have
fostered newly designed intelligent data-driven solutions for managing large
sets of diverse cellular functionalities, basically impossible to implement in
traditionally closed cellular architectures. Despite the evident interest of
industry on Artificial Intelligence (AI) and Machine Learning (ML) solutions
for closed-loop control of the Radio Access Network (RAN), and several research
works in the field, their design is far from mainstream, and it is still a
sophisticated and often overlooked operation. In this paper, we discuss how to
design AI/ML solutions for the intelligent closed-loop control of the Open RAN,
providing guidelines and insights based on exemplary solutions with
high-performance record. We then show how to embed these solutions into xApps
instantiated on the O-RAN near-real-time RAN Intelligent Controller (RIC)
through OpenRAN Gym, the first publicly available toolbox for data-driven O-RAN
experimentation at scale. We showcase a use case of an xApp developed with
OpenRAN Gym and tested on a cellular network with 7 base stations and 42 users
deployed on the Colosseum wireless network emulator. Our demonstration shows
the high degree of flexibility of the OpenRAN Gym-based xApp development
environment, which is independent of deployment scenarios and traffic demand.
- Abstract（参考訳）: ソフトウォーカライゼーション、プログラマブルネットワーク制御、および異なる時間スケールで機能する全アクセスコントローラの使用は、次世代のセルネットワークへの進化の鍵となる要因である。
これらの技術は、伝統的にクローズドなセルアーキテクチャでは実装が不可能な多様なセル機能群を管理するために、新しく設計されたインテリジェントなデータ駆動ソリューションを育んでいる。
業界におけるRadio Access Network(RAN)のクローズドループ制御に対するAIと機械学習(ML)ソリューションの明確な関心と、この分野におけるいくつかの研究成果にもかかわらず、その設計は主流とは程遠いものであり、洗練され、しばしば見過ごされる操作である。
本稿では,Open 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。
次に、データ駆動o-ran実験を大規模に行う最初のツールボックスであるopenran gymを通じて、o-ranのほぼリアルタイムなintelligent controller(ric)上でインスタンス化されたxappsに、これらのソリューションを組み込む方法を示す。
我々は,OpenRAN Gymで開発したxAppを,Colosseum無線ネットワークエミュレータ上に配置した7つの基地局と42名のユーザを持つセルネットワーク上でテストした。
実演では,展開シナリオや交通需要とは無関係に,openran gym ベースの xapp 開発環境の柔軟性の高さを示す。
関連論文リスト
- Multi-Stream Cellular Test-Time Adaptation of Real-Time Models Evolving in Dynamic Environments [53.79708667153109]
スマートオブジェクト、特に自動運転車は、限られたリソースのために重要なローカル計算の課題に直面している。
そこで本研究では,モデルがハエに適応し,動的環境をセルに分割する,新しいマルチストリームセルラーテスト時間適応方式を提案する。
我々は、位置と天候条件に基づいて定義された細胞を横断する自動運転車の文脈で、我々の方法論を検証する。
論文 参考訳（メタデータ） (2024-04-27T15:00:57Z) - Drive Anywhere: Generalizable End-to-end Autonomous Driving with
Multi-modal Foundation Models [114.69732301904419]
本稿では、画像とテキストで検索可能な表現から、運転決定を提供することができる、エンドツーエンドのオープンセット(環境/シーン)自律運転を適用するアプローチを提案する。
当社のアプローチでは, 多様なテストにおいて非並列的な結果を示すと同時に, アウト・オブ・ディストリビューションの状況において, はるかに高いロバスト性を実現している。
論文 参考訳（メタデータ） (2023-10-26T17:56:35Z) - 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) - Actor-Critic Network for O-RAN Resource Allocation: xApp Design,
Deployment, and Analysis [3.8073142980733]
Open Radio Access Network (O-RAN)は、オープンネス、インテリジェンス、自動制御を可能にする新しいRANアーキテクチャを導入した。
RAN Intelligent Controller (RIC)は、RANコントローラの設計とデプロイのためのプラットフォームを提供する。
xAppsは、機械学習(ML)アルゴリズムを活用してほぼリアルタイムで動作することで、この責任を負うアプリケーションである。
論文 参考訳（メタデータ） (2022-09-26T19:12:18Z) - OpenRAN Gym: AI/ML Development, Data Collection, and Testing for O-RAN
on PAWR Platforms [28.37831674645226]
OpenRAN Gymは、データ収集、設計、プロトタイピング、エンドツーエンドのデータ駆動制御ソリューションのテストのための統一的でオープンで、O-RAN準拠の実験ツールボックスである。
OpenRAN Gymとそのソフトウェアコンポーネントはオープンソースであり、研究コミュニティで公開されている。
論文 参考訳（メタデータ） (2022-07-25T17:22:25Z) - 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) - Graph Neural Networks for Decentralized Multi-Robot Submodular Action
Selection [101.38634057635373]
ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。
分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。
大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
論文 参考訳（メタデータ） (2021-05-18T15:32:07Z) - 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) - 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 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。