[논문 리뷰] Intelligent O-RAN for Beyond 5G and 6G Wireless Networks

Solmaz Niknam, Abhishek Roy외 6명|arXiv (Cornell University)|2020. 05. 17.

Advanced Wireless Communication Technologies인용 수 68

한 줄 요약

본 논문은 LSTM 기반 트래픽 예측을 활용해 셀 분할을 촉발하는 O-RAN용 지능형 혼잡 관리 스킴을 제시하며, 실제 Mumbai 네트워크 데이터를 사용해 평가한다.

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.

연구 동기 및 목표

• Open RAN (O-RAN) 개념과 차세대 네트워크에서 개방성과 지능성의 역할을 소개합니다.
• O-RAN 내에서 혼잡 예측 및 완화를 위한 ML-enabled 무선 자원 관리 스킴을 제안합니다.
• 실세계 Mumbai LTE 데이터셋으로 접근방식을 검증하고, 솔루션을 O-RAN 제어 루프 및 인터페이스에 매핑합니다.
• 지능형 RAN을 위한 배포 아키텍처, 구현 단계 및 실제적인 도전과제에 대해 논의합니다.

제안 방법

• LSTM 순환 신경망을 활용해 시간적 트래픽 패턴과 잠재적 혼잡을 학습하고 예측합니다.
• 혼잡도를 다음과 같이 정의합니다: 평균 사용자 체감 IP 처리량 < 1 Mbps AND DL-PRB 활용도 > 80%.
• LSTM 모델은 실제 Mumbai 셀룰 데이터셋(17 eNB, 각 18개 셀, 25일)을 사용하여 2개의 계층에 12개의 LSTM 유닛으로 학습합니다.
• 학습은 non-RT RIC에서, 추론은 O-RAN 프레임워크 내의 near-RT RIC에서 수행하도록 배치합니다.
• 예측된 혼잡에 따라 셀 분할 및 가능하면 듀얼 커넥티비티를 통한 혼잡 완화를 촉발합니다.
• ML 학습/추론을 O1/A1/E2 인터페이스 및 xAPP CPM과 정렬하는 엔드투엔드 배포 흐름을 설명합니다.

실험 결과

연구 질문

• RQ1 LSTM 기반 트래픽 예측이 밀집 도심 RAN에서 혼잡을 정확히 예측할 수 있는가?
• RQ2 ML 예측에 기반한 선제적 셀 분할이 사용자 체감 IP 처리량과 DL-PRB 활용도를 향상시키는가?
• RQ3 ML 기반 혼잡 관리 루프를 O-RAN 인터페이스(O1, A1, E2)와 xAPPs에 어떻게 통합할 수 있는가?
• RQ4 Beyond-5G/6G 시나리오에서 지능형 RAN을 지원하는 배포 아키텍처와 데이터 워크플로우는 무엇인가?

주요 결과

• LSTM 모델의 트래픽 파라미터 예측 정확도는 평균 92.64%였습니다.
• 혼잡 예측 기반의 선제적 셀 분할은 사용자 체감 IP 처리량을 크게 향상시킵니다.
• DL-PRB 활용도 및 처리량 지표가 정의된 KPI 목표 내에서 ML 기반 혼잡 완화에 반응합니다.
• 제안된 접근법은 비 RT RIC에서 ML 학습, near-RT RIC에서 추론하는 방식으로 O-RAN 제어 루프에 매핑됩니다.
• 고수준 배포 아키텍처는 데이터 수집, ML 학습/추론, CPM xAPP, E2 기반 행동 배치를 보여줍니다.