在O-RAN中实现实时AI：在近实时RIC xApp中部署与测量AI

开放无线接入网(O-RAN)架构引入了可编程的近实时RAN智能控制器(Near-RT RICs)，通过xApp在10毫秒到1秒的时间尺度上支持闭环控制。尽管AI已被广泛研究用于RAN优化，但很少有工作展示在实时测试平台上，将测量的AI推理直接嵌入到Near-RT RIC软件循环中。本文介绍了一个在OpenAirInterface (OAI)和FlexRIC测试平台上实现的AI赋能的网络状态分类xApp。该xApp在一个结构化的合成数据集上进行训练和评估，该数据集使用MAC、RLC、PDCP、GTP和UE数量特征模拟跨层RAN状态。结果验证了嵌入和执行的可行性，而非生产级泛化能力。逻辑回归和一个浅层多层感知器(MLP)被导出为确定性C推理模块，并编译到xApp二进制文件中，消除了外部机器学习运行时依赖。测量的推理延迟对于逻辑回归为1至5微秒，对于MLP为10至25微秒，而端到端服务延迟保持在4毫秒以下。一个六模型比较显示，监督模型实现了相似的准确率，范围从0.88到0.90，表明LR和MLP的相似性反映了代理问题的结构，而非模型探索的局限。噪声消融、混淆矩阵分析和基于CDF的延迟表征表明，两个嵌入式模型在超过95%的预计循环执行中满足10毫秒的近实时预算。这些结果表明，轻量级AI可以在近实时RIC时序约束内运行，同时保持确定性执行。我们还发布了RIC Workbench，一个轻量级编排仪表板，用于在商用硬件上复现测试平台。