面向 5G O-RAN 的基站能耗优化的基于图神经网络的强化学习
系统与控制
2026-02-26 v2 机器学习
系统与控制
摘要
全球已部署超过 350 万个 5G 基站，其总能耗预计将超过 131 TWh/年，引发巨大的运营成本与环境影响。本文提出 EExApp，一套基于深度强化学习 (DRL) 的 xApp，用于 5G Open Radio Access Network (O-RAN) 中的基站单元 (RU) 睡眠调度与分布式单元 (DU) 资源切片联合优化。EExApp 采用双 Actor-双 Critic Proximal Policy Optimization (PPO) 架构，分别构建针对能源效率与服务质量 (QoS) 合规的专属 Actor-Critic 配对。基于 Transformer 的编码器能够通过编码所有用户设备 (UE) 的观测信息，生成固定维度的表示，从而实现对可变 UE 数量的可扩展处理。为协调两种优化目标，本文引入基于二分图注意力网络 (GAT) 的结构，用于根据两个 Critic 的输出结果调制 Actor 的更新，从而实现功耗节省与 QoS 之间的自适应权衡。我们已实现 EExApp 并部署在具备实时流量的 5G O-RAN 测试平台上，硬件包括商业级 RU 与智能手机。广泛的 over-the-air 实验与消融研究表明，EExApp 在降低 RU 能耗同时保持 QoS 稳健性方面显著优于现有方法。源代码已公开于 https://github.com/EExApp/EExApp。
引用
@article{arxiv.2602.09206,
title = {EExApp: GNN-Based Reinforcement Learning for Radio Unit Energy Optimization in 5G O-RAN},
author = {Jie Lu and Peihao Yan and Huacheng Zeng},
journal= {arXiv preprint arXiv:2602.09206},
year = {2026}
}
备注
Accepted by IEEE INFOCOM 2026