論文の概要: EExApp: GNN-Based Reinforcement Learning for Radio Unit Energy Optimization in 5G O-RAN

• arxiv url: http://arxiv.org/abs/2602.09206v1
• Date: Mon, 09 Feb 2026 21:17:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.250616
• Title: EExApp: GNN-Based Reinforcement Learning for Radio Unit Energy Optimization in 5G O-RAN
• Title（参考訳）: EExApp: 5G O-RANにおける無線ユニットエネルギー最適化のためのGNNによる強化学習
• Authors: Jie Lu, Peihao Yan, Huacheng Zeng,
• Abstract要約: 我々は5G Open Radio Access Network (O-RAN)のための深層強化学習ベースのxAppであるEExAPPを紹介する。 EExAPPは、無線ユニット(RU)睡眠スケジューリングと分散ユニット(DU)リソーススライシングを共同で最適化する。 我々は、EExAPPを実装し、実際の5G O-RANテストベッドに、ライブトラフィック、商用およびスマートフォンでデプロイした。
• 参考スコア（独自算出の注目度）: 13.609214355112025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With over 3.5 million 5G base stations deployed globally, their collective energy consumption (projected to exceed 131 TWh annually) raises significant concerns over both operational costs and environmental impacts. In this paper, we present EExAPP, a deep reinforcement learning (DRL)-based xApp for 5G Open Radio Access Network (O-RAN) that jointly optimizes radio unit (RU) sleep scheduling and distributed unit (DU) resource slicing. EExAPP uses a dual-actor-dual-critic Proximal Policy Optimization (PPO) architecture, with dedicated actor-critic pairs targeting energy efficiency and quality-of-service (QoS) compliance. A transformer-based encoder enables scalable handling of variable user equipment (UE) populations by encoding all-UE observations into fixed-dimensional representations. To coordinate the two optimization objectives, a bipartite Graph Attention Network (GAT) is used to modulate actor updates based on both critic outputs, enabling adaptive tradeoffs between power savings and QoS. We have implemented EExAPP and deployed it on a real-world 5G O-RAN testbed with live traffic, commercial RU and smartphones. Extensive over-the-air experiments and ablation studies confirm that EExAPP significantly outperforms existing methods in reducing the energy consumption of RU while maintaining QoS.
• Abstract（参考訳）: 世界中で350万以上の5G基地局が配備されており、その総エネルギー消費量(年間131 TWhを超えると予想されている)は、運用コストと環境への影響の両方に大きな懸念を生じさせている。 本稿では,5G Open Radio Access Network (O-RAN) のための深層強化学習 (DRL) ベースのxAppであるEExAPPについて述べる。 EExAPPは、エネルギー効率とQoS(Quality-of-Service)準拠をターゲットとした、アクタとアクタのペアを備えた、デュアルアクタ-デュアルクリティカルなプロキシポリシー最適化(PPO)アーキテクチャを使用している。 変圧器をベースとしたエンコーダは、全UE観測を固定次元表現に符号化することにより、可変ユーザ機器(UE)集団のスケーラブルなハンドリングを可能にする。 2つの最適化目標を調整するために、2部グラフ注意ネットワーク(GAT)を使用して、双方の批評家の出力に基づいてアクター更新を変調し、省電力とQoS間の適応的なトレードオフを可能にする。 我々はEExAPPを実装し、実際の5G O-RANテストベッドに、ライブトラフィック、商用RU、スマートフォンでデプロイした。 EExAPPはQoSを維持しながらRUのエネルギー消費を減少させる既存の方法よりも優れていた。

関連論文リスト

• Meta-Learning-Based Handover Management in NextG O-RAN [47.23997854845925]
  O-RANアーキテクチャ内でTHOとCHOを協調的に最適化するフレームワークであるCONTRAを提案する。 ConTRAは、O-RAN xAppランタイムとして、ほぼリアルタイムでデプロイするために特別に設計されている。 CONTRAはユーザのスループットを向上し、THOとCHOの切り替えコストを削減できることを示す。
  論文  参考訳（メタデータ） (2025-12-26T13:01:46Z)
• Characterizing 5G User Throughput via Uncertainty Modeling and Crowdsourced Measurements [0.0]
  本稿では,ダウンリンクユーザスループット推定のための不確実性と説明可能なアプローチを提案する。 先程の4G手法を検証し、R2を8.7%改善し、5G NSAと5G SAに拡張した。 スループットの変動性に対処するために,点推定と校正された信頼区間の両方を出力するモデルであるNGBoostを適用する。
  論文  参考訳（メタデータ） (2025-10-10T10:29:32Z)
• AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
  人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
  論文  参考訳（メタデータ） (2025-07-24T16:04:59Z)
• Energy-Efficient Flying LoRa Gateways: A Multi-Agent Reinforcement Learning Approach [8.65375886947338]
  無人航空機(UAV)に搭載された空飛ぶLoRaゲートウェイを配置し、LoRaのエンドデバイスからデータを収集し、それを中央サーバに送信する。 我々の主な目的は、送信電力、拡散係数、帯域幅、ユーザアソシエーションの合同最適化により、無線LoRaネットワークのグローバルシステムエネルギー効率を最大化することである。
  論文  参考訳（メタデータ） (2025-02-05T17:16:40Z)
• 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)
• FROST: Towards Energy-efficient AI-on-5G Platforms -- A GPU Power Capping Evaluation [6.250006646141444]
  Open Radio Access Network (O-RAN)は機械学習(ML)の統合による最適化の理想的なターゲットである FROST - オンライン・システム・チューニングを用いたフレキシブル・リコンフィグレーション(フレキシブル・リコンフィグレーション)手法を提案することで、この重要な側面に対処する。 FROSTは、MLパイプラインのエネルギー消費をプロファイリングし、それに応じてハードウェアを最適化し、パワードローを制限することができる。 以上の結果から,FROSTはモデルの精度を損なうことなく最大26.4%の省エネが可能であった。
  論文  参考訳（メタデータ） (2023-10-17T10:28:28Z)
• Deep Reinforcement Learning for Combined Coverage and Resource Allocation in UAV-aided RAN-slicing [1.7214664783818676]
  この研究は、UAV-BS(UAV-BS)がネットワークスライシング機能を備えたUAV支援5Gネットワークを提示する。 ネットワークスライシング環境におけるUAV-BSに対するマルチエージェントおよびマルチエージェント深部強化学習の第一応用について紹介する。 提示された戦略のパフォーマンスはテストされ、ベンチマークと比較され、さまざまなシナリオにおいて満足度の高いユーザの割合(少なくとも27%以上)が強調されている。
  論文  参考訳（メタデータ） (2022-11-15T06:50:00Z)
• LEAF + AIO: Edge-Assisted Energy-Aware Object Detection for Mobile Augmented Reality [77.00418462388525]
  モバイル拡張現実(MAR)アプリケーションは非常にエネルギーを消費する。 我々は、MARデバイスが動的に構成を変更することができるエッジベースのエネルギー対応MARシステムを設計する。 提案した動的MAR構成適応は、複数のMARクライアントのフレーム当たりのエネルギー消費を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2022-05-27T06:11:50Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Learning based E2E Energy Efficient in Joint Radio and NFV Resource Allocation for 5G and Beyond Networks [21.60295771932728]
  無線部に電力とスペクトル資源を割り当てる最適化問題を定式化する。 コア部では、すべてのユーザの効率を確保するために、関数の連鎖、配置、スケジューリングを行う。 次に、最大エントロピーフレームワークに基づくソフトアクター・クリティカル・ディープラーニング(SAC-DRL)アルゴリズムを用いて、上記のMDPを解く。
  論文  参考訳（メタデータ） (2021-07-13T11:19:48Z)

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。