On the Impact of PRB Load Uncertainty Forecasting for Sustainable Open RAN

要約

持続可能なオープン無線アクセス ネットワーク (O-RAN) アーキテクチャへの移行は、リソース管理、特に物理リソース ブロック (PRB) の使用率の予測に新たな課題をもたらします。
この論文では、確率的予測技術を使用して PRB 負荷を特徴付ける新しいアプローチを提案します。
まず、O-RAN アーキテクチャとコンポーネントに関する背景情報を提供し、持続可能な実装のためのエネルギー/電力消費モデルの重要性を強調します。
問題ステートメントは、リソース割り当てと電力効率を最適化するために正確な PRB 負荷予測の必要性を強調しています。
次に、Simple-Feed-Forward (SFF)、DeepAR、Transformers などの確率的予測手法を調査し、それらの尤度モデルの仮定について説明します。
シミュレーション結果は、SFF および Transformer ベースのモデルと比較して、DeepAR エスティメーターが不確実性の低い PRB を予測し、データセット内の時間依存関係を効果的に捕捉し、電力の節約につながることを示しています。
異なるパーセンタイルを選択すると省電力効果も高まりますが、プロビジョニングの過剰/不足が発生します。
同時に、Long-Short Term Memory (LSTM) のパフォーマンスは、すべてのエラー メトリクスに関して確率的推定量よりも劣ることが示されています。
最後に、持続可能な O-RAN 実装のための確率的、予測に基づく特性評価の重要性を概説し、将来の研究への道を強調します。

要約(オリジナル)

The transition to sustainable Open Radio Access Network (O-RAN) architectures brings new challenges for resource management, especially in predicting the utilization of Physical Resource Block (PRB)s. In this paper, we propose a novel approach to characterize the PRB load using probabilistic forecasting techniques. First, we provide background information on the O-RAN architecture and components and emphasize the importance of energy/power consumption models for sustainable implementations. The problem statement highlights the need for accurate PRB load prediction to optimize resource allocation and power efficiency. We then investigate probabilistic forecasting techniques, including Simple-Feed-Forward (SFF), DeepAR, and Transformers, and discuss their likelihood model assumptions. The simulation results show that DeepAR estimators predict the PRBs with less uncertainty and effectively capture the temporal dependencies in the dataset compared to SFF- and Transformer-based models, leading to power savings. Different percentile selections can also increase power savings, but at the cost of over-/under provisioning. At the same time, the performance of the Long-Short Term Memory (LSTM) is shown to be inferior to the probabilistic estimators with respect to all error metrics. Finally, we outline the importance of probabilistic, prediction-based characterization for sustainable O-RAN implementations and highlight avenues for future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google