5G RAN 中基于 Transformer 的通用无线电链路失败预测框架
人工智能
2024-07-09 v1 网络与互联网体系结构
摘要
无线电接入网络（RAN）中的无线电链路失败（RLF）预测系统对于确保无缝通信以及满足 5G 网络中高数据速率、低延迟和改进可靠性的严格要求至关重要。然而，降水、湿度、温度和风等天气条件会影响这些通信链路。通常，历史无线电链路关键绩效指标（KPI）及其周围的气象站观测数据被用于构建基于学习的 RLF 预测模型。然而，此类模型必须能够学习动态 RAN 中的空间天气上下文，并有效地将时间序列 KPI 与天气观测数据进行编码。现有工作未能同时纳入预测模型的这两个基本设计方面。本文通过提出 GenTrap 填补了这一空白，这是一种新颖的 RLF 预测框架，引入了基于图神经网络（GNN）的可学习天气效应聚合模块，并采用 SOTA 时间序列 Transformer 作为时间特征提取器进行无线电链路失败预测。GenTrap 提出的聚合方法可以集成到任何现有的预测模型中，以实现更好的性能和泛化能力。我们在两个真实世界数据集（农村和城市）上评估了 GenTrap，包含 260 万个 KPI 数据点，结果表明，与同类方法相比，GenTrap 提供了显著更高的 F1 分数（农村为 0.93，城市为 0.79），同时具备泛化能力。
引用
@article{arxiv.2407.05197,
title = {A Generalized Transformer-based Radio Link Failure Prediction Framework in 5G RANs},
author = {Kazi Hasan and Thomas Trappenberg and Israat Haque},
journal= {arXiv preprint arXiv:2407.05197},
year = {2024}
}