面向 6G O-RAN 资源供给的联邦机器推理
信息论
2024-06-11 v1 网络与互联网体系结构
math.IT
摘要
O-RAN 规范通过 RAN 智能控制器，以功能解耦和开放接口重塑 RAN。这通过 AI/ML 实现了数据驱动的管理，但由于人类操作员对 AI/ML 决策的理解有限，也带来了信任挑战。在多个虚拟化基站 (vBS) 实例之间，平衡资源供给并避免过度供给和供给不足至关重要。因此，我们提出了一种新颖的联邦机器推理 (FLMR) 框架，这是一种用于联邦推理、学习和查询的神经符号方法。FLMR 利用共享 O-Cloud 平台上虚拟基站 (vBS) 的本地监控数据，基于上下文信息和 vBS 配置优化 CPU 需求预测。这种优化至关重要，因为计算资源不足可能导致同步丢失并显著降低网络吞吐量。在电信领域，特别是在虚拟无线接入网 (vRAN) 领域，预测和管理 vBS 的 CPU 负载对网络运营商来说是一个重大挑战。我们提出的 FLMR 框架确保了 AI/ML 决策的透明度和人类理解，并满足了 6G O-RAN 环境中可靠性和性能至关重要的不断变化的需求。此外，我们使用 \textit{DeepCog} 作为基线方法进行了比较分析。结果突显了我们的方法如何优于基线，并在资源过度供给和供给不足之间取得了更好的平衡。我们的方法相对于基线，将供给不足和过度供给均降低了 6 倍。
引用
@article{arxiv.2406.06128,
title = {Federated Machine Reasoning for Resource Provisioning in 6G O-RAN},
author = {Swastika Roy and Hatim Chergui and Adlen Ksentini and Christos Verikoukis},
journal= {arXiv preprint arXiv:2406.06128},
year = {2024}
}
备注
6 Figures, 6 pages