Intelligent O-RAN Traffic Steering for URLLC Through Deep Reinforcement Learning

要約

次世代ネットワークの目標は、現在のネットワークパラダイムを改善することであり、特に、より高いデータレート、リアルタイムに近いレイテンシー、完璧に近いサービス品質を提供することです。しかし、既存の無線アクセスネットワーク（RAN）アーキテクチャは、これらの要求を満たすのに十分な柔軟性とインテリジェンスを欠いています。Open RAN（O-RAN）は、仮想化されたインテリジェントなRANアーキテクチャを構築するための有望なパラダイムである。本論文では、機械学習（ML）ベースのトラフィックステアリング（TS）スキームを提示し、ネットワークの混雑を予測し、それを回避して予想される待ち行列の遅延を減らすためにO-RANトラフィックをプロアクティブにステアリングします。これを実現するために、URLLCアプリケーションに対応するために、遅延と信頼性の両方を確保することに焦点を当てた最適なセットアップを提案しています。提案するソリューションは、ナイーブベイズ分類器とディープQ-ラーニングに基づく2層のML戦略で構成されています。O-RANのxAppsとして提供されている従来のリアクティブTSアプローチと比較して、我々のソリューションを評価したところ、すべての配備されたSFCでキューイング遅延が平均15.81%減少することが確認されました。

要約(オリジナル)

The goal of Next-Generation Networks is to improve upon the current networking paradigm, especially in providing higher data rates, near-real-time latencies, and near-perfect quality of service. However, existing radio access network (RAN) architectures lack sufficient flexibility and intelligence to meet those demands. Open RAN (O-RAN) is a promising paradigm for building a virtualized and intelligent RAN architecture. This paper presents a Machine Learning (ML)-based Traffic Steering (TS) scheme to predict network congestion and then proactively steer O-RAN traffic to avoid it and reduce the expected queuing delay. To achieve this, we propose an optimized setup focusing on safeguarding both latency and reliability to serve URLLC applications. The proposed solution consists of a two-tiered ML strategy based on Naive Bayes Classifier and deep Q-learning. Our solution is evaluated against traditional reactive TS approaches that are offered as xApps in O-RAN and shows an average of 15.81 percent decrease in queuing delay across all deployed SFCs.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL