归纳潜在上下文持久性：消除 6G 无线接入网络后移冷启动问题
摘要
在现代无线接入网络 (RAN) 中，基于规则的移民决策 (如 A3/A5) 仅依赖于用户设备 (UE) 的测量，因此位于相同位置的 UE 可收到不一致的移民结果。基于图神经网络的方法可通过丰富的上下文提升移民关键性能指标 (KPI)。然而，循环或图模型在移民时丢弃每个 UE 的循环状态，并在目标下移下一代基站 (gNB) 时重新初始化，这导致移动历史丢失，迫使目标模型仅凭后移测量重建。我们通过归纳潜在上下文持久性 (Inductive Latent Context Persistence, ILCP) 解决此后移冷启动问题，将源循环状态压缩为 128 字节有效负载，通过 3GPP Xn 传输，在目标 gNB 处进行适配。我们将 RAN 建模为动态异构图，包含 UE 节点、gNB 节点、测量边缘及 Xn 边缘。在一套来自维也纳的 4G/5G 驾驶测试数据上，ILCP 实现了 0.0% 的 ping-pong 移民，远优于相同无迁移基线的 6.5% 以及 Transformer 基线的 22.6%；在 50-250 ms 窗口内，后移准确率平均提升 5.1 个百分点（峰值提升 13.3 个百分点）。在一块 NVIDIA GTX 1080 (8 GB) 上，ILCP 以 7.7 ms 的 p99 每次完成端到端移民决策。在扰动 (阴影衰减、NLOS 遮挡、SSB 稀疏) 条件下，鲁棒训练的 ILCP 将移民失败 (HOF) 保持在 10-13% 范围内。在相同固定参考标签设置下，A3/A5 在测量受扰动时 HOF 从 1.1% 上升至 57-65%，暴露了仅依赖测量的规则的局限性。
引用
@article{arxiv.2605.00593,
title = {Inductive Latent Context Persistence: Closing the Post-Handover Cold Start in 6G Radio Access Networks},
author = {Anubhab Banerjee and Daniyal Amir Awan},
journal= {arXiv preprint arXiv:2605.00593},
year = {2026}
}
备注
submitted to 'AI for Next G' workshop, co-located with ICML 2026