[논문 리뷰] Intelligent Closed-loop RAN Control with xApps in OpenRAN Gym

Leonardo Bonati, Michele Polese외 3명|arXiv (Cornell University)|2022. 08. 31.

Advanced MIMO Systems Optimization인용 수 5

한 줄 요약

이 논문은 오픈 RAN 환경에서 AI/ML 기반 xApp를 위한 설계, 훈련 및 테스트를 위한 확장성 있고 오픈소스인 프레임워크인 OpenRAN Gym을 제시한다. 이는 실시간으로 7개 기지국, 42개 사용자 단말기로 구성된 Colosseum 에뮬레이터에서 다양한 트래픽 부하 하에서 적응형 성능을 보이는 near-RT RIC에 지능형 RAN 제어 솔루션을 종단 간으로 구현할 수 있도록 한다.

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.

연구 동기 및 목표

• 오픈 RAN 환경에서 AI/ML 기반 RAN 제어 솔루션을 테스트하기 위한 표준화되고 확장성 있으며 재현 가능한 플랫폼의 부족을 해결한다.
• 다양한 구현 환경에서 대규모로 작동하는 데이터 기반 xApp를 설계하고 검증하기 위한 통합된 오픈소스 환경을 제공한다.
• 하드웨어 인 더 루프 에뮬레이션을 통해 실제 세계 유사 조건에서 AI/ML 기반 xApp의 실현 가능성과 적응 가능성에 대한 실증을 제공한다.
• 학술 연구와 산업 적용 간 격차를 해소하기 위해 훈련된 모델을 프로덕션 수준의 O-RAN 인fra로 원활하게 통합할 수 있도록 한다.
• 실시간 RAN 제어에서 일반화 및 강건성 확보를 위해 온라인 보정 및 데이터 다양성의 중요성을 부각시킨다.

제안 방법

• O-RAN 준수 near-RT RIC를 대상으로 종단 간 실험을 위한 전반적인 오픈소스 프레임워크인 OpenRAN Gym을 활용한다.
• E2 인터페이스를 통해 수집한 실시간 RAN KPI(예: 전송률, 버퍼 점유율)를 기반으로 강화학습 또는 지도학습 에이전트를 사용해 xApp을 설계한다.
• O-RAN 표준 인터페이스와 메시지 형식을 활용해 xApp을 O-RAN near-RT RIC에 통합하여 E2 응용 계층 통신을 수행한다.
• Colosseum 무선 네트워크 에뮬레이터를 사용해 균일한 트래픽과 슬라이스 기반 트래픽 조건을 갖춘 7개 기지국, 42개 사용자 단말기의 셀룰러 네트워크를 시뮬레이션한다.
• 오프라인 훈련된 모델과 온라인 재훈련된 모델을 모두 구현하여 동적 네트워크 상태에 대한 성능 적응 능력을 평가한다.
• OpenRAN Gym 내 추상화 계층과 모듈형 xApp 설계를 통해 다양한 구현 환경 간 호환성과 이식 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 AI/ML 기반 xApp는 어떻게 체계적으로 설계되고 확장성 있고 재현 가능한 방식으로 폐쇄 루프 RAN 제어에 구현될 수 있는가?
• RQ2 시뮬레이션에서 훈련된 xApp는 다양한 RAN 구현 환경과 트래픽 수요에 대해 얼마나 잘 일반화되는가?
• RQ3 실시간 RAN 제어에서 오프라인 훈련에 비해 온라인 재훈련(보정)이 제공하는 성능 향상은 어느 정도인가?
• RQ4 OpenRAN Gym 프레임워크는 프로덕션 수준의 O-RAN 인fra와의 상호운용성, 확장성 및 통합을 어떻게 지원하는가?
• RQ5 대규모로 지능형 RAN 제어 솔루션을 구현할 때 발생하는 주요 과제는 무엇이며, 표준화된 도구를 통해 이를 어떻게 완화할 수 있는가?

주요 결과

• OpenRAN Gym을 사용해 개발한 xApp은 Colosseum 에뮬레이터에서 7개 기지국, 42개 사용자 단말기 네트워크에서 기지국 설정의 폐쇄 루프 제어를 성공적으로 달성했다.
• 온라인 재훈련된 xApp은 특히 슬라이스 기반 트래픽(예: eMBB, MTC, URLLC)과 같은 동적 트래픽 조건에 더 뛰어난 적응 능력을 보였다.
• 전송률과 버퍼 점유율이 모든 트래픽 유형 간에 효과적으로 균형을 이루었으며, 온라인 재훈련된 에이전트가 다양한 부하 조건에서도 안정적인 성능을 유지했다.
• 다양한 테스트 런에서 일관되고 재현 가능한 결과를 도출해 내어, 대규모 데이터 기반 실험에 대한 프레임워크의 유용성을 검증했다.
• xApp은 균일한(1.5 Mbps/UE) 및 슬라이스 기반(4 Mbps/UE for eMBB, 44.6 kbps/UE for MTC, 89.3 kbps/UE for URLLC) 트래픽 패턴을 포함한 다양한 트래픽 수요에 대해 강력한 적응성을 보였다.
• 결과적으로 온라인 재훈련이 실제 RAN 환경에서 모델의 일반화 능력과 성능 강건성을 크게 향상시킨다는 것이 확인되었다.