基于 Transformer 的 O-RAN 无线流量预测与网络优化
机器学习
2024-03-19 v1
摘要
本文提出了一种创新方法，用于在开放式无线接入网络（O-RAN）中预测简洁的时间间隔内的无线网络流量，其采用 transformer 架构，这是生成式 AI 工具背后的机器学习模型。根据预期的流量，系统要么启动基于强化学习的流量引导 xApp，要么启动细胞休眠 rApp，以提高吞吐量或能源效率等性能指标。我们的仿真结果表明，所提出的基于流量预测的网络优化机制在性能上与始终在整个仿真期间保持开启状态的独立 RAN 应用程序（rApp/xApp）相当，同时提供按需激活功能。这一特性在流量量突然波动时尤为有益。而不是根据实际到来的流量条件持续运行特定应用程序，所提出的预测方法相较于 "始终开启流量引导 xApp" 在平均能源效率上提高了 39.7%，相较于 "始终开启细胞休眠 rApp" 在吞吐量上提高了 10.1%。该仿真在 24 小时内进行，模拟了密集城市地区整天的流量模式。
引用
@article{arxiv.2403.10807,
title = {FlyKD: Graph Knowledge Distillation on the Fly with Curriculum Learning},
author = {Eugene Ku},
journal= {arXiv preprint arXiv:2403.10807},
year = {2024}
}