論文の概要: QoS-Aware Dynamic CU Selection in O-RAN with Graph-Based Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2512.19696v1
• Date: Fri, 21 Nov 2025 16:10:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-29 00:37:57.073406
• Title: QoS-Aware Dynamic CU Selection in O-RAN with Graph-Based Reinforcement Learning
• Title（参考訳）: グラフ強化学習を用いたO-RANにおけるQoS対応動的CU選択
• Authors: Sebastian Racedo, Brigitte Jaumard, Oscar Delgado, Meysam Masoudi,
• Abstract要約: Open Radio Access Network (O RAN)は、従来のRANを相互運用可能なコンポーネントに分解し、柔軟なリソース割り当て、省エネ、アジャイルアーキテクチャ設計を可能にする。 固定写像を緩和し, 動的サービス機能チェーン (SFC) をオンザフライOCU選択で提供することにより, 制限に対処する。 我々はこの問題をマルコフ決定プロセスとして定式化し、GRLDyP、すなわちグラフニューラルネットワーク(GNN)による深部強化学習(DRL)を用いて解決する。 提案エージェントは,入ってくる各サービスフローの経路とO-CU位置を共同で選択し,ネットワークエネルギーを最小化する。
• 参考スコア（独自算出の注目度）: 1.0732935873226022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open Radio Access Network (O RAN) disaggregates conventional RAN into interoperable components, enabling flexible resource allocation, energy savings, and agile architectural design. In legacy deployments, the binding between logical functions and physical locations is static, which leads to inefficiencies under time varying traffic and resource conditions. We address this limitation by relaxing the fixed mapping and performing dynamic service function chain (SFC) provisioning with on the fly O CU selection. We formulate the problem as a Markov decision process and solve it using GRLDyP, i.e., a graph neural network (GNN) assisted deep reinforcement learning (DRL). The proposed agent jointly selects routes and the O-CU location (from candidate sites) for each incoming service flow to minimize network energy consumption while satisfying quality of service (QoS) constraints. The GNN encodes the instantaneous network topology and resource utilization (e.g., CPU and bandwidth), and the DRL policy learns to balance grade of service, latency, and energy. We perform the evaluation of GRLDyP on a data set with 24-hour traffic traces from the city of Montreal, showing that dynamic O CU selection and routing significantly reduce energy consumption compared to a static mapping baseline, without violating QoS. The results highlight DRL based SFC provisioning as a practical control primitive for energy-aware, resource-adaptive O-RAN deployments.
• Abstract（参考訳）: Open Radio Access Network (O RAN)は、従来のRANを相互運用可能なコンポーネントに分解し、柔軟なリソース割り当て、省エネ、アジャイルアーキテクチャ設計を可能にする。 レガシーデプロイメントでは、論理関数と物理位置のバインドは静的であり、時間的なトラフィックやリソース条件の変化によって非効率になる。 我々は,固定写像を緩和し,動的サービス機能チェーン(SFC)をオンザフライOCU選択で提供することにより,この制限に対処する。 我々はこの問題をマルコフ決定プロセスとして定式化し、GRLDyP、すなわちグラフニューラルネットワーク(GNN)による深部強化学習(DRL)を用いて解決する。 提案エージェントは,サービス品質(QoS)の制約を満たしつつ,入ってくるサービスフロー毎に経路とO-CU位置(候補地点から)を共同で選択し,ネットワークのエネルギー消費を最小化する。 GNNは、瞬時にネットワークトポロジとリソース利用(CPUや帯域幅など)を符号化し、DRLポリシーは、サービス、レイテンシ、エネルギーのグレードのバランスをとることを学習する。 モントリオール市からの24時間トラフィックトレースを持つデータセット上でGRLDyPの評価を行い、動的OCU選択とルーティングにより、QoSに違反することなく、静的マッピングベースラインに比べて消費電力が大幅に減少することを示した。 その結果,DRLをベースとしたSFCプロビジョニングは,省エネ・資源適応型O-RANデプロイメントの実践的制御プリミティブとして注目された。

関連論文リスト

• Graph Reinforcement Learning for QoS-Aware Load Balancing in Open Radio Access Networks [4.411880853217908]
  次世代無線携帯電話ネットワークは、新興無線アプリケーションに非並列品質サービス(QoS)を提供することが期待されている。 セルの混雑は、各セルが指定されたユーザ機器(UE)を提供するのに十分な無線リソースを確保するために負荷のバランスをとることを伴う。 資源制約下でのマルチバンドOpen Radio Access Network(O-RAN)におけるGBRとBest Effort(BE)トラフィックの性能を最適化するために,新しいロードバランシング(LB)手法を開発した。
  論文  参考訳（メタデータ） (2025-04-28T05:41:31Z)
• Opportunistic Routing in Wireless Communications via Learnable State-Augmented Policies [7.512221808783587]
  本稿では,大規模無線通信ネットワークにおけるパケットベースの情報ルーティングの課題に対処する。 機会的ルーティングは、無線通信の放送特性を利用して、最適な転送ノードを動的に選択する。 ネットワーク内のソースノードが処理する全情報の最大化を目的とした,状態拡張(SA)に基づく分散最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-05T18:44:56Z)
• Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• Network Aware Compute and Memory Allocation in Optically Composable Data Centres with Deep Reinforcement Learning and Graph Neural Networks [0.0]
  リソースを分離したデータセンタアーキテクチャは、データセンタ内でリソースをリモートにプールする手段を約束する。 データセンターネットワーク(DCN)における光スイッチング回路のバックボーンを用いて,これを実現する方法を示す。 本稿では, エンフディープ強化学習を用いて, 効率的なエンフネットワーク認識と, エンフトポロジ的にスケール可能なアロケーションポリシをエンドツーエンドに学習する方法を示す。
  論文  参考訳（メタデータ） (2022-10-26T09:46:50Z)
• Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in O-RAN [11.464582983164991]
  新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。 O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。 本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-30T17:00:53Z)
• State-Augmented Learnable Algorithms for Resource Management in Wireless Networks [124.89036526192268]
  本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。 提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
  論文  参考訳（メタデータ） (2022-07-05T18:02:54Z)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• Dynamic RAN Slicing for Service-Oriented Vehicular Networks via Constrained Learning [40.5603189901241]
  品質の異なる車両用インターネット(IoV)サービスにおける無線アクセスネットワーク(RAN)スライシング問題について検討する。 無線スペクトルと演算資源を動的に割り当てる動的RANスライシングフレームワークを提案する。 RAWSは,ベンチマークと比較すると,要求を高い確率で満たしながら,システムコストを効果的に削減できることを示す。
  論文  参考訳（メタデータ） (2020-12-03T15:08:38Z)
• 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)
• Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
  本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。 我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。 本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
  論文  参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。