云无线接入网络中安全区域因果在线学习
网络与互联网体系结构
2026-02-10 v2
摘要
云无线接入网络（RAN）通过按需动态扩展容量来实现成本效益。然而，在操作网络中部署自适应控制器以实现此类动态扩展具有挑战，因风险可能违反服务协议和操作约束。为缓解此挑战，我们提出了一种新方法，用于学习 RAN 的安全运行区域，即一组资源分配和网络配置，其满足该网络的规范。该方法称为（C）ausal（O）nline（L）earning（COL），在两个在线阶段中运行：推断阶段和干预阶段。在第一个阶段，我们被动观察 RAN，通过因果推断和高斯过程回归来推断初始安全区域。在第二个阶段，我们通过干预性贝叶斯学习逐步扩大该区域。我们证明了 COL 确保所学区域以指定概率安全，并且在标准条件下收敛于完整的安全区域。我们在 5G 测试平台上对 COL 进行了实验验证。结果表明，COL 能够快速学习安全区域，同时 incurring 低操作成本，比当前用于安全学习的领先方法高达 10 倍更具样本效率。
引用
@article{arxiv.2602.05280,
title = {Causal Online Learning of Safe Regions in Cloud Radio Access Networks},
author = {Kim Hammar and Tansu Alpcan and Emil Lupu},
journal= {arXiv preprint arXiv:2602.05280},
year = {2026}
}
备注
This work has been submitted to the IEEE for possible publication