TARMM：通过时序图移动性管理扩展 5G O-RAN 中的时延关键边缘 AI 卸载
网络与互联网体系结构
2026-05-05 v2 系统与控制
系统与控制
摘要
新兴的时延关键边缘 AI 应用（如 VR 感知和实时视频分析）对 5G 网络提出了严格的时延和可靠性要求。然而，现有的移动性管理机制大多是反应性的，无法适应动态的网络条件，导致切换决策不理想和性能下降。在本文中，我们提出了 TARMM，一个 5G 开放无线接入网（O-RAN）系统，用于优化时延关键边缘 AI 卸载的用户移动性管理。TARMM 的核心是一个时序图模型，它捕获了跨用户和小区的 RAN 时空动态，从而实现近实时的切换决策。基于这种表示，我们设计了一个多智能体强化学习（MARL）框架，结合基于规则的动作掩蔽和主动资源准备，以确保安全、稳定和高效的切换。我们在多小区室内 5G O-RAN 测试平台上实现了 TARMM，并使用多样化的 VR 工作负载对其进行评估。大量实验表明，与最先进的方法相比，TARMM 将尾延迟降低了高达 44%，丢包率降低了高达 56%。源代码和演示视频可在以下网址获取：https://margo-source.github.io/Margo/
引用
@article{arxiv.2604.24501,
title = {TARMM: Scaling Delay-Critical Edge AI Offloading in 5G O-RAN via Temporal Graph Mobility Management},
author = {Peihao Yan and Yun Chen and Jie Lu and Qijun Wang and Huacheng Zeng},
journal= {arXiv preprint arXiv:2604.24501},
year = {2026}
}