6G O-RAN 中的可解释 AI：架构、用例、挑战与未来研究的教程与综述
网络与互联网体系结构
2024-11-28 v4
摘要
近期的 O-RAN 规范通过功能解耦、采用开放接口以及实例化由 RAN 智能控制器（RICs）实体管理的分层闭环控制架构，推动了 RAN 架构的演进。这为基于可编程逻辑的新型数据驱动网络管理方法铺平了道路。借助人工智能（AI）与机器学习（ML），可以设计出针对传统上未解决的 RAN 管理问题的新方案。然而，此类智能自主系统的采用受限于人类操作员当前无法理解这些 AI/ML 方案的决策过程，影响了他们对这些新工具的信任。可解释 AI（XAI）旨在解决这一问题，使人类用户更好地理解并有效管理新兴的人工智能方案，降低人机障碍。在本综述中，我们总结了 XAI 方法与度量指标，进而研究它们在 O-RAN 联盟 RAN 架构及其主要构建模块上的部署。随后我们呈现多种用例，并讨论 O-RAN 中 XAI 流水线的自动化以及底层安全方面。我们还回顾了应对该领域的一些项目/标准。最后，我们识别出在此背景下重度采用 AI/ML 决策实体可能带来的不同挑战与研究方向，重点关注 XAI 如何帮助解释、理解并提升对 O-RAN 运营网络的信任。
引用
@article{arxiv.2307.00319,
title = {Explainable AI in 6G O-RAN: A Tutorial and Survey on Architecture, Use Cases, Challenges, and Future Research},
author = {Bouziane Brik and Hatim Chergui and Lanfranco Zanzi and Francesco Devoti and Adlen Ksentini and Muhammad Shuaib Siddiqui and Xavier Costa-Pérez and Christos Verikoukis},
journal= {arXiv preprint arXiv:2307.00319},
year = {2024}
}
备注
Accepted in IEEE Communications Surveys and Tutorials, 38 pages, 14 figures