論文の概要: ML-based handover prediction over a real O-RAN deployment using RAN Intelligent controller

• arxiv url: http://arxiv.org/abs/2404.19671v1
• Date: Sun, 14 Apr 2024 17:48:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-05 17:54:32.190742
• Title: ML-based handover prediction over a real O-RAN deployment using RAN Intelligent controller
• Title（参考訳）: RAN IntelligentControllerを用いた実O-RAN配置におけるMLによるハンドオーバ予測
• Authors: Merim Dzaferagic, Bruno Missi Xavier, Diarmuid Collins, Vince D'Onofrio, Magnos Martinello, Marco Ruffini,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 4.464102544889847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: O-RAN introduces intelligent and flexible network control in all parts of the network. The use of controllers with open interfaces allow us to gather real time network measurements and make intelligent/informed decision. The work in this paper focuses on developing a use-case for open and reconfigurable networks to investigate the possibility to predict handover events and understand the value of such predictions for all stakeholders that rely on the communication network to conduct their business. We propose a Long-Short Term Memory Machine Learning approach that takes standard Radio Access Network measurements to predict handover events. The models were trained on real network data collected from a commercial O-RAN setup deployed in our OpenIreland testbed. Our results show that the proposed approach can be optimized for either recall or precision, depending on the defined application level objective. We also link the performance of the Machine Learning (ML) algorithm to the network operation cost. Our results show that ML-based matching between the required and available resources can reduce operational cost by more than 80%, compared to long term resource purchases.
• Abstract（参考訳）: O-RANは、ネットワークのすべての部分にインテリジェントで柔軟なネットワーク制御を導入している。 オープンインターフェースによるコントローラの使用により、リアルタイムネットワーク計測を収集し、インテリジェントでインフォームドな意思決定が可能になる。 本研究は,オープンかつ再構成可能なネットワークにおけるハンドオーバイベントの可能性を調査し,ネットワークに依存してビジネスを行うすべての利害関係者に対して,そのような予測の価値を理解するためのユースケースの開発に焦点をあてる。 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。 モデルは、OpenIrelandテストベッドにデプロイされた商用O-RANセットアップから収集された実際のネットワークデータに基づいてトレーニングされました。 この結果から,提案手法はアプリケーションレベルの目的に応じて,リコールや精度に最適化可能であることが示された。 また、機械学習(ML)アルゴリズムの性能とネットワーク運用コストを関連付ける。 以上の結果から,長期的資源購入と比較して,必要なリソースと利用可能なリソースとのMLベースのマッチングにより,運用コストを80%以上削減できることが示唆された。

関連論文リスト

• WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
  大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。 本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-11-11T02:48:00Z)
• Enhancing Cloud-Native Resource Allocation with Probabilistic Forecasting Techniques in O-RAN [3.190069716363552]
  本稿では,Open Radio Access Network (O-RAN) のクラウドネイティブな側面と,Radio App (rApp) デプロイメントオプションについて検討する。 本稿では,Deep Autoregressive Recurrent Network (DeepAR) の他の決定論的確率推定器に対する利点を示す。
  論文  参考訳（メタデータ） (2024-07-19T15:04:15Z)
• Distributed Learning for Wi-Fi AP Load Prediction [1.2057886807886689]
  分散学習の2つの基礎、すなわちフェデレートラーニング(FL)と知識蒸留(KD)の適用について検討する。 分散学習により、予測精度を最大93%向上し、通信オーバーヘッドとエネルギーコストを80%削減できることを示す。
  論文  参考訳（メタデータ） (2024-04-22T16:37:35Z)
• Open World Learning Graph Convolution for Latency Estimation in Routing Networks [16.228327606985257]
  グラフニューラルネットワークを用いてネットワークルーティングをモデル化する手法を提案する。 我々のモデルは、異なるネットワークサイズとルーティングネットワークの構成にまたがる安定した性能を共有し、同時に、目に見えないサイズ、構成、ユーザの振る舞いに対して外挿することができる。 予測精度,計算資源,推論速度,およびオープンワールド入力への一般化能力の観点から,本モデルが従来のディープラーニングモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-08T19:26:40Z)
• 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)
• 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)
• Deep-Mobility: A Deep Learning Approach for an Efficient and Reliable 5G Handover [0.0]
  5Gセルネットワークは世界中に展開されており、このアーキテクチャは超高密度ネットワーク(UDN)デプロイメントをサポートしている。 小細胞はエンドユーザに5G接続を提供する上で非常に重要な役割を担います。 従来のハンドオーバ改善方式とは対照的に,ネットワークモビリティを管理するために,深層学習ニューラルネットワーク(DLNN)を実装した「ディープ・モビリティ」モデルを開発した。
  論文  参考訳（メタデータ） (2021-01-17T00:31:37Z)
• 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)
• 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)
• Communication-Efficient and Distributed Learning Over Wireless Networks: Principles and Applications [55.65768284748698]
  機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。 本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
  論文  参考訳（メタデータ） (2020-08-06T12:37:14Z)
• 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。