[論文レビュー] Intelligent O-RAN for Beyond 5G and 6G Wireless Networks

Solmaz Niknam, Abhishek Roy+6 more|arXiv (Cornell University)|May 17, 2020

Advanced Wireless Communication Technologies被引用数 68

ひとこと要約

本論文は、LSTMベースのトラフィック予測を用いてセル分割を引き起こす、O-RAN の知能的な輻輳管理スキームを示し、実データのムンバイ網で評価されている。

ABSTRACT

Building on the principles of openness and intelligence, there has been a concerted global effort from the operators towards enhancing the radio access network (RAN) architecture. The objective is to build an operator-defined RAN architecture (and associated interfaces) on open hardware that provides intelligent radio control for beyond fifth generation (5G) as well as future sixth generation (6G) wireless networks. Specifically, the open-radio access network (O-RAN) alliance has been formed by merging xRAN forum and C-RAN alliance to formally define the requirements that would help achieve this objective. Owing to the importance of O-RAN in the current wireless landscape, this article provides an introduction to the concepts, principles, and requirements of the Open RAN as specified by the O-RAN alliance. In order to illustrate the role of intelligence in O-RAN, we propose an intelligent radio resource management scheme to handle traffic congestion and demonstrate its efficacy on a real-world dataset obtained from a large operator. A high-level architecture of this deployment scenario that is compliant with the O-RAN requirements is also discussed. The article concludes with key technical challenges and open problems for future research and development.

研究の動機と目的

• Open RAN (O-RAN) の概念と、次世代ネットワークにおけるオープン性と知性の役割を紹介する。
• O-RAN 内での輻輳予測と緩和のための ML 活用型無線資源管理スキームを提案する。
• 実世界のムンバイ LTE データセットでアプローチを検証し、ソリューションを O-RAN コントロール・ループとインターフェースにマッピングする。
• 知能的な RAN のための展開アーキテクチャ、実装手順、実務上の課題について議論する。

提案手法

• 時系列トラフィックパターンと潜在的な輻輳を学習・予測するためにLSTM再帰型ニューラルネットワークを用いる。
• 輻輳を以下のように定義する：平均ユーザーが認識するIPスループット < 1 Mbps かつ DL-PRB利用率 > 80%。
• 実世界のムンバイセルラデータセット（17 eNB、各18セル、25日）を用いて、12 LSTMユニットを2層とするLSTMモデルを訓練する。
• 訓練用を非RT RIC、推論用をNear-RT RICにデプロイして、O-RANフレームワーク内で運用する。
• 予測された輻輳に基づき、セル分割による輻輳緩和を引き起こし、適用可能な場合はデュアル・コネクティビティも活用する。
• MLの訓練/推論を O1/A1/E2 インターフェースおよび xAPP CPM に合わせたエンドツーエンドのデプロイフローを説明する。

実験結果

リサーチクエスチョン

• RQ1 密集した都市部RANにおいて、LSTMベースのトラフィック予測は輻輳を正確に予測できるか。
• RQ2 ML予測に基づく事前的なセル分割は、ユーザーが認識するスループットとDL-PRB利用率を改善するか。
• RQ3 ML対応の輻輳管理ループを、O-RANのインターフェース（O1、A1、E2）および xAPP に統合するにはどうすればよいか。
• RQ4 Beyond-5G/6G シナリオで知能的な RAN を支える展開アーキテクチャとデータワークフローは何か。

主な発見

• LSTMモデルのトラフィックパラメータに対する予測精度は平均して92.64%であった。
• 輻輳予測に基づく事前のセル分割は、ユーザーが認識するIPスループットを著しく向上させる。
• DL-PRB利用率とスルーレートの指標は、定義されたKPI目標内でML駆動の輻輳緩和に反応する。
• 提案されたアプローチは、非RT RICでのML訓練と near-RT RICでの推論を備えたO-RANコントロールループにマッピングされている。
• 高レベルのデプロイメントアーキテクチャは、データ収集、ML訓練/推論、CPM xAPP、E2ベースのアクションデプロイを示す。