大规模网络中数据驱动的能效建模：一种专家知识与基于机器学习的方法

移动网络的能耗构成了严峻挑战。缓解这一问题需要部署和优化网络节能方案（如载波关断），以动态管理网络资源。由于大量小区、随机流量、信道变化以及复杂的权衡等因素，传统优化方法面临复杂性难题。本文引入了通信网络仿真现实（SRCON）框架，这是一种新颖的、数据驱动的建模范式，利用实时网络数据并采用机器学习（ML）模型与专家模型的混合方法。这种混合模型能够准确刻画网络组件的运行状态，并针对特定网络中的任意节能载波关断配置，预测网络能效和用户设备（UE）服务质量。与现有方法不同，SRCON 消除了对昂贵的专家知识、路测或不完整地图的依赖来预测网络性能。本文详细介绍了 SRCON 将大规模网络能效建模问题分解为 ML 和专家子模型所采用的流程。文章展示了如何通过拥抱随机性并精心构建这些子模型之间的关系，从而降低整体计算复杂度并提升预测精度。基于真实网络数据得出的结果突显了 SRCON 带来的范式转变，展示了相较于运营商用于网络能效建模的 SOTA 方法的显著增益。这种局部的、数据驱动的网络建模可靠性被证明是网络节能优化的关键资产。