[論文レビュー] Intelligent Closed-loop RAN Control with xApps in OpenRAN Gym

Leonardo Bonati, Michele Polese+3 more|arXiv (Cornell University)|Aug 31, 2022

Advanced MIMO Systems Optimization被引用数 5

ひとこと要約

本論文では、スケーラブルでオープンソースのフレームワーク「OpenRAN Gym」を提示する。これは、O-RANのクローズドループ制御のためのAI/MLベースのxAppの設計・学習・テストを可能にするもので、7基地局・42UEのコロセウムエミュレータ上でリアルタイムxAppを実装し、多様なトラフィック負荷下での適応的性能を実証した。

ABSTRACT

Softwarization, programmable network control and the use of all-encompassing controllers acting at different timescales are heralded as the key drivers for the evolution to next-generation cellular networks. These technologies have fostered newly designed intelligent data-driven solutions for managing large sets of diverse cellular functionalities, basically impossible to implement in traditionally closed cellular architectures. Despite the evident interest of industry on Artificial Intelligence (AI) and Machine Learning (ML) solutions for closed-loop control of the Radio Access Network (RAN), and several research works in the field, their design is far from mainstream, and it is still a sophisticated and often overlooked operation. In this paper, we discuss how to design AI/ML solutions for the intelligent closed-loop control of the Open RAN, providing guidelines and insights based on exemplary solutions with high-performance record. We then show how to embed these solutions into xApps instantiated on the O-RAN near-real-time RAN Intelligent Controller (RIC) through OpenRAN Gym, the first publicly available toolbox for data-driven O-RAN experimentation at scale. We showcase a use case of an xApp developed with OpenRAN Gym and tested on a cellular network with 7 base stations and 42 users deployed on the Colosseum wireless network emulator. Our demonstration shows the high degree of flexibility of the OpenRAN Gym-based xApp development environment, which is independent of deployment scenarios and traffic demand.

研究の動機と目的

• O-RANにおけるAI/MLベースのRAN制御ソリューションのテストに向けた標準化・スケーラブルで再現可能なプラットフォームの不足に対処する。
• スケールと多様な展開シナリオにわたって動作するデータ駆動型xAppの設計・検証を統合的かつオープンソースの環境で提供する。
• ハードウェアインザループエミュレーションを用いて、実世界に近い条件下でのAI/MLベースxAppの実現可能性と適応性を実証する。
• 訓練済みモデルを生産用途のO-RANインfraにシームレスに統合できるようにすることで、学術的研究と産業的展開のギャップを埋める。
• リアルタイムRAN制御における汎化性と耐障害性を高めるために、オンラインファインチューニングとデータ多様性の重要性を強調する。

提案手法

• O-RAN準拠のネアRT RICを用いたエンドツーエンドの実験を可能にするフルスタックでオープンソースのフレームワーク「OpenRAN Gym」を活用する。
• E2インタフェースを介して収集されたリアルタイムのRAN KPI（例：スループット、バッファ占有率）を用いて、強化学習または教師あり学習エージェントを訓練することでxAppを設計する。
• O-RANの標準インターフェースとメッセージフォーマットを活用して、xAppをO-RANネアRT RICに統合する。
• コロセウム無線ネットワークエミュレータを用いて、均一およびスライスベースのトラフィック条件下で7基地局・42UEのセルラーネットワークをシミュレートする。
• オフライン学習済みおよびオンライン再学習済みエージェントを実装し、動的ネットワーク状態への性能適応を評価する。
• OpenRAN Gymにおける抽象化レイヤーとモジュラーxApp設計を通じて、複数の展開シナリオにおける互換性とポータビリティを確保する。

実験結果

リサーチクエスチョン

• RQ1 AI/MLベースのxAppは、どのように体系的かつスケーラブルで再現可能な方法で、スケーラブルで再現可能な方法でO-RANのクローズドループ制御に展開できるか？
• RQ2 シミュレーションで学習されたxAppは、多様なRAN展開シナリオやトラフィック要件にどの程度一般化できるか？
• RQ3 リアルタイムRAN制御において、オフライン学習と比較してオンライン再学習（ファインチューニング）がもたらす性能向上はどの程度か？
• RQ4 OpenRAN Gymフレームワークは、相互運用性、拡張性、生産用途のO-RANインfraとの統合をどのように支援するか？
• RQ5 スケールでの知能的RAN制御ソリューションの展開における主な課題は何か。また、標準化されたツールキットを通じてそれらをどのように軽減できるか？

主な発見

• OpenRAN Gymを用いて開発されたxAppは、コロセウムエミュレータ上での7基地局・42UEネットワークにおいて、基地局構成のクローズドループ制御に成功した。
• オンライン再学習済みxAppは、オフライン学習済みバージョンと比較して優れた性能を示し、特にスライスベースのトラフィック（eMBB、MTC、URLLC）のような動的トラフィック条件への適応性に優れた。
• スループットとバッファ占有率が、すべてのトラフィッククラスで効果的にバランスされ、オンライン再学習エージェントは変動する負荷条件下でも安定した性能を維持した。
• 複数回のテスト実行において一貫性があり再現可能な結果が得られたため、大規模かつデータ駆動型の実験に有効であることが検証された。
• xAppは、均一（1.5 Mbps/UE）およびスライスベース（eMBB: 4 Mbps/UE、MTC: 44.6 kbps/UE、URLLC: 89.3 kbps/UE）のトラフィックパターンを含む、さまざまなトラフィック要件に対しても高い適応性を示した。
• 結果から、オンライン再学習が実世界のRAN環境におけるモデルの汎化性と性能の耐障害性を顕著に向上させることを確認した。