xApp Berbasis Machine Learning untuk Alokasi Sumber Daya Dinamis di Jaringan O-RAN

Makalah ini menyajikan implementasi xApp dari Random Forest Classifier untuk alokasi sumber daya dinamis di O-RAN, mencapai akurasi 85% dalam memilih kebijakan optimal. Pendekatan ini meningkatkan kinerja penjadwal di O-DU dengan menyesuaikan PRB berdasarkan permintaan trafik dan persyaratan QoS.

Mohammed M. H. Qazzaz; Lukasz Kulacz; Adrian Kliks; S. A. Zaidi; Marcin Dryjański; Des McLernon School of Electronic; Electrical Engineering; U. Leeds; Leeds; Uk; C. Engineering; Ninevah University; Mosul; Iraq.; Institute of Radiocommunications; Pozna'n University of Technology; Poznań; Poland; Rimedo Labs· 2024 IEEE International Conference on Machine Learning for Communication and Networking (ICMLCN)· 2024· DOI 10.1109/ICMLCN59089.2024.10625184

Masalah inti

Implementasi jaringan akses radio (RAN) yang terdisagregasi, terdistribusi, dan tervirtualisasi memungkinkan alokasi sumber daya dinamis. Atribut-atribut ini diwujudkan melalui arsitektur Open Radio Access Networks (O-RAN). Artikel ini membahas tantangan alokasi sumber daya dinamis menggunakan pendekatan berbasis data dengan Machine Learning (ML). Tujuan utamanya adalah mengoptimalkan alokasi sumber daya dan memenuhi Service Level Specifications (SLS) dengan menyesuaikan alokasi Physical Resource Blocks (PRB) secara dinamis berdasarkan permintaan trafik dan persyaratan Quality of Service (QoS).

Inovasi

Pendekatan yang diusulkan menggunakan model ML, khususnya Random Forest Classifier, yang diimplementasikan sebagai xApp. xApp memilih kebijakan alokasi terbaik untuk setiap base station, meningkatkan kinerja fungsionalitas penjadwal di O-RAN Distributed Unit (O-DU). Model ini menggunakan parameter masukan keadaan instans O-RAN dan dilatih dalam durasi singkat. Implementasi ini dirancang untuk diintegrasikan ke dalam arsitektur O-RAN, memanfaatkan sifatnya yang terdisagregasi dan tervirtualisasi.

Pendahuluan

Implementasi jaringan akses radio (RAN) yang terdisagregasi, terdistribusi, dan tervirtualisasi memungkinkan alokasi sumber daya dinamis. Atribut-atribut ini diwujudkan melalui arsitektur Open Radio Access Networks (O-RAN). Artikel ini membahas tantangan alokasi sumber daya dinamis menggunakan pendekatan berbasis data dengan Machine Learning (ML). Tujuan utamanya adalah mengoptimalkan alokasi sumber daya dan memenuhi Service Level Specifications (SLS) dengan menyesuaikan alokasi Physical Resource Blocks (PRB) secara dinamis berdasarkan permintaan trafik dan persyaratan Quality of Service (QoS).

Mengapa penting

Model ML yang diusulkan secara efektif memilih kebijakan alokasi terbaik untuk setiap base station, meningkatkan kinerja fungsionalitas penjadwal di O-DU. Penggunaan Random Forest Classifier menghasilkan akurasi tinggi, menunjukkan potensi ML dalam alokasi sumber daya dinamis untuk O-RAN. Pendekatan ini sejalan dengan tujuan O-RAN untuk memungkinkan pengelolaan sumber daya yang fleksibel dan efisien. Pekerjaan selanjutnya dapat mengeksplorasi algoritma ML lain dan memperluas evaluasi ke berbagai skenario.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…