[论文解读] ChARM: NextG Spectrum Sharing Through Data-Driven Real-Time O-RAN Dynamic Control

L. Baldesi, Francesco Restuccia+1 more|arXiv (Cornell University)|Jan 17, 2022

Advanced MIMO Systems Optimization被引用 4

一句话总结

ChARM 是一种数据驱动的、符合 O-RAN 标准的框架，通过在原始 I/Q 波形上使用深度神经网络，实现对无线频谱的实时感知和无线参数的动态自适应。在仿真中达到 96% 的准确率，在实测中达到 85% 的准确率，使 LTE 能够通过智能、策略驱动的信道切换避免在非授权频段使用 Wi-Fi，且无需修改 3GPP 标准。

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.

研究动机与目标

• 解决下一代无线接入网（NextG RANs）中缺乏实时、智能频谱共享机制的问题，以动态适应不断变化的频谱状况。
• 使符合 O-RAN 标准的网络能够使用数据驱动方法，实时感知并响应频谱占用情况。
• 通过智能信道切换或激活共存机制，实现 LTE 与 Wi-Fi 在非授权频段的共存。
• 开发一种符合标准的开源原型，符合 O-RAN 规范，无需修改 3GPP 标准。
• 在模拟环境（Colosseum）和真实环境（Arena）下，于真实干扰条件下验证该框架的性能。

提出的方法

• ChARM 采用基于深度神经网络（DNN）的频谱分类单元（SCU），通过在未经处理的 I/Q 波形样本上进行训练，实现实时无线技术分类。
• DNN 设计中引入了‘放弃分类’类别，以减少对未知或不确定信号的误分类，尤其在拥挤的 ISM 频段中表现更优。
• 在近实时 RIC 中部署策略决策单元（PDU），利用分类结果触发 DU 和 RU 参数的动态重构，依据预设的频谱接入策略。
• 通过标准 A1 和 E1 接口与 O-RAN RIC 集成，实现与现有 O-RAN 组件的无缝交互。
• 使用 srsRAN 实现了完整原型，并通过 Colosseum 信道仿真器和 Arena 实测测试平台进行了验证。
• 使用改进的 OpenWiFi SoC 板和 srsRAN 收集了大规模的标准合规 I/Q 波形数据集，以支持 DNN 的稳健训练。

实验结果

研究问题

• RQ1 基于数据驱动、原生 O-RAN 的框架能否利用原始 I/Q 样本实现对多种无线技术的实时、高精度频谱感知？
• RQ2 带有‘放弃分类’类别的 DNN 分类器在非授权频段中，对未知或干扰信号的误分类问题上有多大的改善效果？
• RQ3 ChARM 在保持高检测准确率的前提下，能在多大程度上实现 LTE 信道的动态切换以避免与 Wi-Fi 冲突？
• RQ4 ChARM 从受控仿真环境（Colosseum）到真实无线环境（Arena）的性能迁移效果如何？
• RQ5 是否可以通过策略更改灵活重新配置 ChARM，而无需修改模型或系统架构，从而支持不同的共存策略？

主要发现

• 在 Colosseum 信道仿真器上，使用大规模 I/Q 波形数据集训练的 DNN，ChARM 实现了 96% 的分类准确率。
• 在 Arena 实测平台的过空气测试中，ChARM 在无需微调的情况下实现了 85% 的准确率，证明了其对环境变化的鲁棒性。
• 引入‘放弃分类’类别显著降低了对未知或干扰信号的误分类，提升了在动态频谱环境中的可靠性。
• 该框架成功实现了动态信道切换以避开 Wi-Fi，展示了有效的同信道与跨信道频谱共享能力。
• 仅通过策略更改（无需修改模型或系统架构），ChARM 即可实现从优先 LTE 共存到避免 Wi-Fi 的切换，展现了其可配置性。
• 在功率或配置发生突变时观察到性能下降，表明未来工作需引入环境感知的 DNN 微调或在线自适应机制。