[논문 리뷰] ChARM: NextG Spectrum Sharing Through Data-Driven Real-Time O-RAN Dynamic Control

L. Baldesi, Francesco Restuccia외 1명|arXiv (Cornell University)|2022. 01. 17.

Advanced MIMO Systems Optimization인용 수 4

한 줄 요약

ChARM는 원시 I/Q 웨이브폼에서 딥 뉴럴 네트워크를 사용하여 실시간 스펙트럼 감지 및 동적 라디오 파rameter 적응을 가능하게 하는 데이터 기반의 O-RAN 호환 프레임워크입니다. 시뮬레이션에서는 96%의 정확도를 달성하고 실외 테스트에서는 85%의 정확도를 기록하여, 3GPP 표준을 수정하지 않고도 정책 기반의 스위칭을 통해 LTE가 비할당 대역에서 Wi-Fi를 회피할 수 있도록 합니다.

ABSTRACT

Today's radio access networks (RANs) are monolithic entities which often operate statically on a given set of parameters for the entirety of their operations. To implement realistic and effective spectrum sharing policies, RANs will need to seamlessly and intelligently change their operational parameters. In stark contrast with existing paradigms, the new O-RAN architectures for 5G-and-beyond networks (NextG) separate the logic that controls the RAN from its hardware substrate, allowing unprecedented real-time fine-grained control of RAN components. In this context, we propose the Channel-Aware Reactive Mechanism (ChARM), a data-driven O-RAN-compliant framework that allows (i) sensing the spectrum to infer the presence of interference and (ii) reacting in real time by switching the distributed unit (DU) and radio unit (RU) operational parameters according to a specified spectrum access policy. ChARM is based on neural networks operating directly on unprocessed I/Q waveforms to determine the current spectrum context. ChARM does not require any modification to the existing 3GPP standards. It is designed to operate within the O-RAN specifications, and can be used in conjunction with other spectrum sharing mechanisms (e.g., LTE-U, LTE-LAA or MulteFire). We demonstrate the performance of ChARM in the context of spectrum sharing among LTE and Wi-Fi in unlicensed bands, where a controller operating over a RAN Intelligent Controller (RIC) senses the spectrum and switches cell frequency to avoid Wi-Fi. We develop a prototype of ChARM using srsRAN, and leverage the Colosseum channel emulator to collect a large-scale waveform dataset to train our neural networks with. Experimental results show that ChARM achieves accuracy of up to 96% on Colosseum and 85% on an over-the-air testbed, demonstrating the capacity of ChARM to exploit the considered spectrum channels.

연구 동기 및 목표

• 변화하는 스펙트럼 조건에 동적으로 대응할 수 있는 실시간 지능형 스펙트럼 공유 메커니즘이 부족한 다음세대 RAN에서 이를 해결하기 위해.
• 데이터 기반 방법을 사용하여 O-RAN 호환 네트워크가 실시간으로 스펙트럼 점유도를 감지하고 반응할 수 있도록 하기 위해.
• LTE와 Wi-Fi 간의 공존을 위해 스위치 기반 채널 전환 또는 공존 메커니즘을 활성화함으로써 비할당 대역에서의 공존을 지원하기 위해.
• 3GPP 수정 없이 O-RAN 사양을 준수하는 표준 호환 오픈소스 프로토타입을 개발하기 위해.
• 실제 간섭 조건 하에서 시뮬레이션 환경(콜로세움)과 실제 환경(아레나) 모두에서 프레임워크를 검증하기 위해.

제안 방법

• ChARM는 원시 I/Q 웨이브폼 샘플에서 훈련된 딥 뉴럴 네트워크(DNN) 기반의 스펙트럼 분류 유닛(SCU)을 사용하여 실시간으로 활성화된 무선 기술을 분류합니다.
• DNN는 혼잡한 ISM 대역에서 특히 불확실하거나 알려지지 않은 신호를 잘못 분류하는 것을 방지하기 위해 기각 클래스를 포함하도록 설계되었습니다.
• 근접 실시간 RIC 내에 위치한 정책 결정 유닛(PDU)은 분류 결과를 바탕으로 정의된 스펙트럼 접근 정책에 따라 DU 및 RU 파rameter의 동적 재구성을 트리거합니다.
• 시스템은 표준 A1 및 E1 인터페이스를 통해 O-RAN RIC에 통합되어 기존 O-RAN 구성 요소와 원활하게 상호작용할 수 있습니다.
• srsRAN을 사용하여 전체 프로토타입을 구현하고, 콜로세움 채널 에뮬레이터와 아레나 실외 테스트베드를 사용하여 검증하였습니다.
• 강력한 DNN 훈련을 가능하게 하기 위해 수정된 OpenWiFi SoC 보드와 srsRAN를 사용하여 표준 호환 I/Q 웨이브폼의 대규모 데이터셋을 수집하였습니다.

실험 결과

연구 질문

• RQ1 데이터 기반의 O-RAN 네이티브 프레임워크는 원시 I/Q 샘플을 사용하여 실시간으로 여러 무선 기술의 스펙트럼 감지를 정확하게 수행할 수 있는가?
• RQ2 기각 클래스를 갖춘 DNN 기반 분류기가 비할당 대역에서 알 수 없는 또는 간섭 신호를 잘못 분류하는 것을 얼마나 효과적으로 줄일 수 있는가?
• RQ3 ChARM는 고정된 정확도를 유지하면서 비할당 대역에서 Wi-Fi를 피하기 위해 LTE 채널을 얼마나 유연하게 동적으로 전환할 수 있는가?
• RQ4 콜로세움과 같은 통제된 에뮬레이션 환경에서의 성능이 아레나와 같은 실제 실외 환경으로 이행될 때 어떻게 전이되는가?
• RQ5 아키텍처 수정 없이 정책 변경만으로도 ChARM이 다양한 공존 전략을 유연하게 재구성할 수 있는가?

주요 결과

• ChARM는 대규모 I/Q 웨이브폼 데이터셋에서 훈련된 DNN를 사용하여 콜로세움 채널 에뮬레이터에서 96%의 분류 정확도를 달성했습니다.
• 아레나 테스트베드에서의 실외 테스트에서는 재훈련 없이도 실세계 조건에서 85%의 정확도를 기록하여 환경 변동성에 대한 강건성을 입증했습니다.
• 기각 클래스의 포함으로 인해 알 수 없는 또는 간섭 신호의 잘못된 분류가 크게 감소하여 동적 스펙트럼 환경에서의 신뢰성이 향상되었습니다.
• 프레임워크는 Wi-Fi를 피하기 위해 동적 채널 전환을 성공적으로 구현하여 내채널 및 이채널 스펙트럼 공유의 효과성을 입증했습니다.
• 모델이나 시스템 아키텍처를 변경하지 않고도 정책 변경만으로도 LTE 공존 우선 순위에서 Wi-Fi 회피 전략으로 전환할 수 있었으며, 이는 구성 유연성을 보여주었습니다.
• 갑작스러운 전력 또는 설정 변경 상황에서 성능 저하가 관찰되어 향후 작업으로서 환경 인식 DNN 정밀 조정 또는 온라인 적응이 필요함을 시사했습니다.