RAN Cortex：面向 AI 原生网络的内存增强情境感知决策系统

随着射频接入网络（RAN）向 AI 原生架构演进，诸如 xApps 和 rApps 之类的智能模块预计将在调度、移动性和资源管理等领域作出越来越自主的决策。然而，这些智能体仍然是无状态的，将每个决策视为孤立事件，缺乏对先前事件或结果的持久记忆。这种反应式行为在网络动态呈现周期性或重复模式的环境中限制了优化。本文提出 RAN Cortex，一种为 AI 驱动的 RAN 决策系统启用情境记忆的内存增强架构。RAN Cortex 引入由四个组成部分构成的模块化层：将网络状态转化为高维嵌入的情境编码器、过去网络情节的向量存储库、用于检索语义相似情境的召回引擎以及为 AI 智能体在实时或准实时提供历史情境的策略接口。我们在 RAN 中正式化了检索增强决策问题，构建兼容 O-RAN 接口的系统架构，并分析了在非实时（Non-RT）和准实时（Near-RT）RIC 域中的可行部署。通过演示制式场馆交通缓解和无人机走廊中的移动性管理等示例用例，展示了情境记忆如何提升适应性、连续性以及整体 RAN 智能性。本工作将记忆引入 AI 原生 RAN 设计中的缺失原语，为无需重新训练或集中推理即可实现“学习智能体”提供了框架。