Place, Slice and Schedule: Hierarchical O-RAN Control of a Tethered mmWave UAV-gNB

Arsitektur RIC multi-skala waktu yang secara bersama mengoptimalkan penempatan UAV tertambat, penganggaran slice eMBB/URLLC, dan penjadwalan per-pengguna yang permutation-equivariant pada jaringan FR2

Alireza Mohammadhosseini; Fatemeh Afghah· 2026· DOI 10.48550/arXiv.2608.23824

Masalah inti

Stasiun pangkalan 5G New Radio (gNB) yang dipasang pada unmanned aerial vehicle (UAV) dapat memperluas jaringan terestrial dengan lapisan kapasitas Frequency Range 2 (FR2) yang dapat dipindahkan sesuai permintaan. Fleksibilitas ini, bagaimanapun, menggandengkan topologi jaringan fisik dengan manajemen sumber daya radio: pergerakan UAV membentuk ulang blockage, kualitas kanal, dan himpunan pengguna yang dilayani secara efektif, sementara permintaan trafik, antrean, dan persyaratan layanan berkembang pada skala waktu yang jauh lebih cepat. Studi UAV yang mendukung Open Radio Access Network (O-RAN) yang ada mengoptimalkan trajektori, penempatan, asosiasi, atau alokasi sumber daya, tetapi biasanya secara terpisah, tanpa mengoordinasikan kendali udara yang lambat dengan penjadwalan per-pengguna yang cepat. Penulis sebaliknya memanfaatkan disagregasi O-RAN, pemantauan Key Performance Indicator (KPI), dan kendali RAN Intelligent Controller (RIC) multi-skala waktu untuk mengatasi gandengan ini. Pertanyaan penelitian intinya adalah bagaimana mengendalikan secara bersama keputusan skala waktu lambat berupa penempatan UAV dan penganggaran slice dengan keputusan skala waktu cepat berupa alokas

Pengendali hierarkis dievaluasi terhadap penjadwal klasik dan pembelajaran. Hasilnya menunjukkan bahwa xApp D-SAC yang diusulkan meningkatkan kepuasan SLA eMBB hingga 17% dan pengiriman tepat waktu URLLC hingga 42% dibandingkan penjadwal klasik dan pembelajaran. Lebih lanjut, rApp hasil pembelajaran menaikkan pengiriman tepat waktu URLLC hingga 20% dibandingkan baseline. Perolehan ini diatribusikan pada optimisasi bersama penempatan, slicing, dan penjadwalan, yang memungkinkan sistem beradaptasi dengan dinamika tergandeng antara pergerakan UAV dan permintaan trafik. Penjadwal permutation-equivariant terbukti efektif dalam menangani jumlah pengguna yang bervariasi dan menggeneralisasi ke himpunan pengguna yang belum pernah dilihat. Model kanal hasil ray tracing memastikan hasilnya realistis untuk penerapan FR2. Peningkatan tersebut konsisten di berbagai beban trafik dan distribusi pengguna. Makalah ini juga melaporkan bahwa pendekatan hierarkis mengurangi kompleksitas komputasi pada Near-Real-Time RIC dengan mendelegasikan keputusan skala waktu lambat ke Non-Real-Time RIC.

Stasiun pangkalan 5G New Radio (gNB) yang dipasang pada unmanned aerial vehicle (UAV) dapat memperluas jaringan terestrial dengan lapisan kapasitas Frequency Range 2 (FR2) yang dapat dipindahkan sesuai permintaan. Fleksibilitas ini, bagaimanapun, menggandengkan topologi jaringan fisik dengan manajemen sumber daya radio: pergerakan UAV membentuk ulang blockage, kualitas kanal, dan himpunan pengguna yang dilayani secara efektif, sementara permintaan trafik, antrean, dan persyaratan layanan berkembang pada skala waktu yang jauh lebih cepat. Studi UAV yang mendukung Open Radio Access Network (O-RAN) yang ada mengoptimalkan trajektori, penempatan, asosiasi, atau alokasi sumber daya, tetapi biasanya secara terpisah, tanpa mengoordinasikan kendali udara yang lambat dengan penjadwalan per-pengguna yang cepat. Penulis sebaliknya memanfaatkan disagregasi O-RAN, pemantauan Key Performance Indicator (KPI), dan kendali RAN Intelligent Controller (RIC) multi-skala waktu untuk mengatasi gandengan ini. Pertanyaan penelitian intinya adalah bagaimana mengendalikan secara bersama keputusan skala waktu lambat berupa penempatan UAV dan penganggaran slice dengan keputusan skala waktu cepat berupa alokasi sumber daya per-pengguna untuk memenuhi persyaratan layanan heterogen pada slice enhanced Mobile Broadband (eMBB) dan Ultra-Reliable Low-Latency Communication (URLLC).

Arsitektur yang diusulkan adalah pengendali O-RAN hierarkis dengan dua skala waktu. Pada Non-Real-Time RIC, sebuah rApp menggunakan KPI teragregasi dan konteks lingkungan radio untuk secara bersama mengendalikan penempatan UAV tertambat dan anggaran slice eMBB/URLLC. Pada Near-Real-Time RIC, sebuah xApp mengalokasikan sumber daya per-pengguna di dalam anggaran tersebut. xApp diwujudkan sebagai penjadwal permutation-equivariant DeepSets Soft Actor-Critic (D-SAC) yang memperlakukan pengguna sebagai himpunan tak berurut, dilatih pada kanal hasil ray tracing Sionna RT. Sifat permutation-equivariant memastikan bahwa kebijakan invarian terhadap urutan pengguna, yang krusial untuk skalabilitas dan generalisasi. rApp dan xApp beroperasi pada loop kendali yang berbeda: rApp memperbarui penempatan dan anggaran slice pada skala waktu lambat (misalnya, detik hingga menit), sementara xApp membuat keputusan penjadwalan pada skala waktu cepat (misalnya, milidetik). Prosedur pelatihan menggunakan ray tracing untuk menangkap propagasi mmWave yang realistis, termasuk blockage dan refleksi. Agen D-SAC mempelajari kebijakan stokastik yang memetakan himpunan keadaan pengguna ke alokasi sumber daya, memaksimalkan reward yang menyeimbangkan throughput eMBB dan latensi/keandalan URLLC. Kendali hierarkis dirumuskan sebagai masalah optimisasi multi-skala waktu, di mana rApp menetapkan batasan untuk xApp. Arsitektur diilustrasikan di bawah ini:

Wawasan kunci dari karya ini adalah bahwa gandengan antara penempatan UAV dan manajemen sumber daya radio dapat diatasi secara efektif dengan memanfaatkan pemisahan skala waktu yang inheren dalam O-RAN. Dengan menggunakan Non-Real-Time RIC untuk mengendalikan penempatan dan anggaran slice, serta Near-Real-Time RIC untuk mengendalikan penjadwalan per-pengguna, sistem dapat beradaptasi terhadap variasi lambat dan cepat di lingkungan. Arsitektur DeepSets yang permutation-equivariant krusial bagi penjadwal karena memungkinkan kebijakan independen dari jumlah dan urutan pengguna, yang esensial untuk penerapan praktis. Penggunaan ray tracing Sionna RT menyediakan model kanal realistis yang menangkap karakteristik propagasi khas mmWave. Hasilnya menunjukkan peningkatan signifikan pada KPI eMBB dan URLLC, menunjukkan bahwa pendekatan hierarkis dapat memenuhi persyaratan layanan heterogen. Namun, makalah ini tidak membahas potensi kerentanan keamanan pada antarmuka O-RAN, yang dapat menjadi arah untuk pekerjaan selanjutnya. Selain itu, ketergantungan pada UAV tertambat dapat membatasi mobilitas, tetapi menyediakan pasokan daya dan backhaul yang stabil. Kerangka yang diusulkan kompatibel dengan arsitektur O-RAN dan dapat diintegrasikan dengan sistem manajemen jaringan yang ada. Pekerjaan selanjutnya dapat memperluas pendekatan ke skenario multi-UAV dan mempertimbangkan efisiensi energi.

Praktisi dan peneliti ilmu komputer

Membuka konten member…