論文の概要: Programmable and Customized Intelligence for Traffic Steering in 5G Networks Using Open RAN Architectures

• arxiv url: http://arxiv.org/abs/2209.14171v1
• Date: Wed, 28 Sep 2022 15:31:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 17:59:49.936624
• Title: Programmable and Customized Intelligence for Traffic Steering in 5G Networks Using Open RAN Architectures
• Title（参考訳）: オープンRANアーキテクチャを用いた5Gネットワークにおけるトラヒックステアリングのためのプログラマブルでカスタマイズ可能なインテリジェンス
• Authors: Andrea Lacava, Michele Polese, Rajarajan Sivaraj, Rahul Soundrarajan, Bhawani Shanker Bhati, Tarunjeet Singh, Tommaso Zugno, Francesca Cuomo, Tommaso Melodia
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.48682480842328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 5G and beyond mobile networks will support heterogeneous use cases at an unprecedented scale, thus demanding automated control and optimization of network functionalities customized to the needs of individual users. Such fine-grained control of the Radio Access Network (RAN) is not possible with the current cellular architecture. To fill this gap, the Open RAN paradigm and its specification introduce an open architecture with abstractions that enable closed-loop control and provide data-driven, and intelligent optimization of the RAN at the user level. This is obtained through custom RAN control applications (i.e., xApps) deployed on near-real-time RAN Intelligent Controller (near-RT RIC) at the edge of the network. Despite these premises, as of today the research community lacks a sandbox to build data-driven xApps, and create large-scale datasets for effective AI training. In this paper, we address this by introducing ns-O-RAN, a software framework that integrates a real-world, production-grade near-RT RIC with a 3GPP-based simulated environment on ns-3, enabling the development of xApps and automated large-scale data collection and testing of Deep Reinforcement Learning-driven control policies for the optimization at the user-level. In addition, we propose the first user-specific O-RAN Traffic Steering (TS) intelligent handover framework. It uses Random Ensemble Mixture, combined with a state-of-the-art Convolutional Neural Network architecture, to optimally assign a serving base station to each user in the network. Our TS xApp, trained with more than 40 million data points collected by ns-O-RAN, runs on the near-RT RIC and controls its base stations. We evaluate the performance on a large-scale deployment, showing that the xApp-based handover improves throughput and spectral efficiency by an average of 50% over traditional handover heuristics, with less mobility overhead.
• Abstract（参考訳）: 5gおよびbeyond mobile networksは、前例のない規模で異種ユースケースをサポートするため、個々のユーザのニーズに合わせてカスタマイズされたネットワーク機能の自動制御と最適化を要求する。 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。 このギャップを埋めるために、Open RANパラダイムとその仕様は、クローズドループ制御を可能にし、ユーザレベルでRANのインテリジェントな最適化を提供する抽象化を備えたオープンアーキテクチャを導入している。 これは、ネットワークの端にある、リアルタイムに近いRAN Intelligent Controller(近RT RIC)上にデプロイされるカスタムRAN制御アプリケーション(xApps)を通して得られる。 これらの前提にもかかわらず、現在、研究コミュニティはデータ駆動型xAppsを構築し、効果的なAIトレーニングのための大規模なデータセットを作成するためのサンドボックスを欠いている。 本稿では,ns-3上で実世界の実運用レベルの近RT RICと3GPPベースのシミュレーション環境を統合したソフトウェアフレームワークであるns-O-RANを導入することにより,xAppsの開発とユーザレベルでの学習駆動制御ポリシの大規模データ収集とテストの自動化を実現する。 さらに,最初のユーザ固有のo-ranトラフィックステアリング(ts)インテリジェントハンドオーバフレームワークを提案する。 Random Ensemble Mixtureと最先端の畳み込みニューラルネットワークアーキテクチャを組み合わせることで、ネットワークの各ユーザに対して、サービスベースステーションを最適に割り当てる。 我々のTS xAppは、ns-O-RANが収集した4000万以上のデータポイントでトレーニングされ、ほぼRT RIC上で動作し、ベースステーションを制御する。 我々は、xAppベースのハンドオーバにより、従来のハンドオーバヒューリスティックよりも平均50%のスループットとスペクトル効率が向上し、モビリティのオーバーヘッドが軽減されることを示す。

関連論文リスト

• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• 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)
• Federated Meta-Learning for Traffic Steering in O-RAN [1.400970992993106]
  フェデレーション・メタラーニング(FML)に基づくRATアロケーションのアルゴリズムを提案する。 LTEおよび5G NRサービス技術を含むシミュレーション環境を設計した。
  論文  参考訳（メタデータ） (2022-09-13T10:39:41Z)
• 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)
• 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)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)
• 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 Adaptive Network Slicing in 5G for Intelligent Vehicular Systems and Smart Cities [19.723551683930776]
  エッジコントローラ(EC)と協調したフォグノードのクラスタ(FN)に基づくネットワークスライシングモデルを開発する。 クラスタ内の各サービスリクエストに対して、ECは、どのFNがタスクを実行し、エッジでローカルにリクエストをサーブするか、あるいはタスクを拒否し、それをクラウドに参照するかを決定する。 本稿では,最適スライシングポリシーを適応的に学習する深層強化学習(DRL)ソリューションを提案する。
  論文  参考訳（メタデータ） (2020-10-19T23:30:08Z)

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。