从分类到优化：基于 TRACTOR 的切片与资源管理
系统与控制
2025-03-12 v2 网络与互联网体系结构
系统与控制
摘要
5G 及未来网络承诺在带宽、时延和连接性方面取得进步。开放无线接入网（O-RAN）框架通过网络切片和闭环 RAN 控制增强了灵活性。这一演进的核心是集成机器学习（ML）以实现动态网络控制。本文提出了一个优化 O-RAN 运行的框架。首先，我们构建并共享了一个鲁棒的 O-RAN 数据集，该数据集源自在不同地点和移动性场景下捕获的真实世界流量，并在基于全栈 srsRAN 的 O-RAN 系统中使用 Colosseum 射频仿真器进行了复现。该数据集支持 ML 训练和部署。随后，我们引入了一种利用多种 ML 模型的流量分类方法，展示了快速训练、测试和优化以提高准确率。针对特定切片，离线准确率高达 99%，在线准确率达 92%，我们的框架能高效适应不同模型和网络条件。最后，我们提出了一种使用强化学习优化物理资源块（PRB）分配的策略。我们学习到的策略实现了平均性能得分（0.631），超越了手动配置的专家策略（0.609）和随机基线（0.588），证明了 PRB 利用率的提升。更重要的是，我们的方法表现出更低的变异性，在四分之三的情况下，变异系数（CV）降低了一个数量级，确保了更一致的性能。我们的贡献，包括开源工具和数据集，加速了 O-RAN 和 ML 驱动的网络控制研究。
引用
@article{arxiv.2312.07896,
title = {From Classification to Optimization: Slicing and Resource Management with TRACTOR},
author = {Joshua Groen and Zixian Yang and Divyadharshini Muruganandham and Mauro Belgiovine and Lei Ying and Kaushik Chowdhury},
journal= {arXiv preprint arXiv:2312.07896},
year = {2025}
}
备注
Journal version of TRACTOR: Traffic Analysis and Classification Tool for Open RAN