[论文解读] 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 5

一句话总结

本文提出了 OpenRAN Gym，一个可扩展的开源框架，用于设计、训练和测试基于人工智能/机器学习（AI/ML）的 xApps，以实现对开放无线接入网（Open RAN）的闭环控制。该框架支持在接近实时的 RIC（RAN Intelligent Controller）上端到端部署智能 RAN 控制解决方案，已在 7 个基站、42 个用户设备（UE）的 Colosseum 模拟环境中，通过一个实时 xApp 展示了在不同流量负载下自适应性能的能力。

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.

研究动机与目标

• 解决开放 RAN 环境中缺乏标准化、可扩展且可复现的平台，用于测试基于人工智能/机器学习的 RAN 控制解决方案的问题。
• 提供一个统一的开源环境，用于设计和验证可大规模运行、适用于多样化部署场景的数据驱动型 xApps。
• 通过硬件在回路（hardware-in-the-loop）仿真技术，展示基于人工智能/机器学习的 xApps 在类真实世界条件下的可行性与适应性。
• 通过支持将训练好的模型无缝集成到生产级 O-RAN 基础设施中，弥合学术研究与工业部署之间的差距。
• 强调在线微调和数据多样性在实时 RAN 控制中实现泛化能力和鲁棒性的重要性。

提出的方法

• 利用 OpenRAN Gym 作为全栈开源框架，实现与符合 O-RAN 标准的接近实时 RIC 的端到端实验。
• 使用通过 E2 接口收集的实时 RAN KPI（如吞吐量、缓冲区占用率）训练强化学习或监督学习智能体，设计 xApps。
• 通过标准化的 O-RAN 接口和 E2 应用层通信消息格式，将 xApps 集成到 O-RAN 接近实时 RIC 中。
• 利用 Colosseum 无线网络模拟器，模拟在不同流量条件（均匀流量和切片化流量）下的 7 个基站、42 个用户设备（UE）的蜂窝网络。
• 实现离线训练和在线重训练的智能体，以评估其在动态网络状态下的性能适应能力。
• 通过抽象层和模块化 xApp 设计，确保在不同部署场景下的兼容性和可移植性。

实验结果

研究问题

• RQ1 如何系统性地设计和部署基于人工智能/机器学习的 xApps，以实现可扩展且可复现的 RAN 闭环控制？
• RQ2 在模拟环境中训练的 xApps 在多样化 RAN 部署场景和流量需求下，其泛化能力在多大程度上成立？
• RQ3 与离线训练相比，在实时 RAN 控制中在线重训练（微调）能带来多大的性能提升？
• RQ4 OpenRAN Gym 框架如何支持与生产级 O-RAN 基础设施的互操作性、可扩展性和集成能力？
• RQ5 在大规模部署智能 RAN 控制解决方案时面临的关键挑战是什么？如何通过标准化工具减轻这些挑战？

主要发现

• 使用 OpenRAN Gym 开发的 xApp 在 Colosseum 模拟器上的 7 个基站、42 个用户设备（UE）网络中，成功实现了基站配置的闭环控制。
• 在线重训练的 xApp 表现优于离线训练版本，尤其在应对动态流量条件（如 eMBB、MTC、URLLC 切片）时表现出更强的适应能力。
• 吞吐量和缓冲区占用率在所有流量类别中得到有效平衡，且在线重训练智能体在不同负载条件下均保持了稳定的性能表现。
• 该框架在多次测试运行中实现了稳定且可复现的结果，验证了其在大规模、数据驱动实验中的实用性。
• xApp 展现出对不同流量需求的强大适应能力，包括均匀流量（1.5 Mbps/UE）和切片化流量（eMBB 为 4 Mbps/UE，MTC 为 44.6 kbps/UE，URLLC 为 89.3 kbps/UE）模式。
• 结果表明，在真实 RAN 环境中，在线重训练显著提升了模型的泛化能力和性能鲁棒性。