EXPLORA: 面向开放RAN的AI/ML可解释性框架
网络与互联网体系结构
2023-10-23 v1
摘要
开放无线接入网(Open RAN)范式正在将蜂窝网络转变为由解耦、虚拟化和基于软件的组件构成的系统。这些组件通过可编程的闭环控制,利用人工智能(AI)和机器学习(ML)例程对网络进行自优化。在此背景下,深度强化学习(DRL)在解决复杂资源分配问题方面展现出巨大潜力。然而,基于DRL的解决方案 inherently 难以解释,这阻碍了它们在实践中的部署与使用。在本文中,我们提出EXPLORA,一个为Open RAN生态系统中的基于DRL的控制解决方案提供可解释性的框架。EXPLORA基于属性图合成面向网络的解释,该图在DRL智能体所采取的动作(即图的节点)与输入状态空间(即每个节点的属性)之间建立联系。这一新颖方法使EXPLORA能够通过提供DRL智能体运行所处无线上下文的信息来解释模型。EXPLORA还被设计为轻量级以支持实时运行。我们在部署于Colosseum无线网络模拟器上的符合O-RAN标准的近实时RIC上对EXPLORA进行原型实现与实验测试。我们针对为不同目的训练的智能体评估EXPLORA,并展示其如何生成清晰的面向网络的解释。我们还展示了如何利用解释来执行信息丰富且有针对性的基于意图的动作引导,并实现传输比特率中位数提升4%以及尾部提升10%。
引用
@article{arxiv.2310.13667,
title = {EXPLORA: AI/ML EXPLainability for the Open RAN},
author = {Claudio Fiandrino and Leonardo Bonati and Salvatore D'Oro and Michele Polese and Tommaso Melodia and Joerg Widmer},
journal= {arXiv preprint arXiv:2310.13667},
year = {2023}
}