.png){kind=icon}
返回
Bottleneck-Based Deep Learning-Driven Resource Allocation in O-RAN
.png){kind=icon}
PRE
AI
DOI：10.1109/TNSM.2026.3675573.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着对超可靠、低延迟应用和下一代网络服务的需求日益增长，将人工智能和机器学习（AI/ML）集成到开放无线接入网络（O-RAN）组件中已成为关键的研究重点。然而，由于缺乏系统级动态资源分配机制以及功能分离组件间协调有限，AI/ML在O-RAN中的潜力实现面临着未解决的挑战。本文通过提出一种基于瓶颈的深度学习驱动的资源分配方法来应对部分挑战，该方法采用基于门控循环单元（GRU）的预测模型，主动识别和缓解瓶颈资源，使系统能够适应波动的用户需求和变化的网络条件，并通过策略驱动决策指导任务重新分配。我们的方法结合了云边连续体上非实时（Non-RT）和近实时（Near-RT）无线接入网智能控制器（RIC）的能力。由于边缘计算节点通常资源有限且成本高于云基础设施，近实时RIC的组件部署在边缘，而非实时RIC的组件放置在云中。我们在xApp和rApp两种形式中实现了该框架，完全符合O-RAN规范，并在扩展的Kubernetes环境中使用真实网络数据进行广泛性能评估，展示了边缘近实时RIC和云中非实时RIC的集成。在O-RAN软件社区（OSC）测试床上进行的全面性能评估表明，所提出的方法显著提升了网络效率、可扩展性和延迟性能，其通过减少资源利用率14%–40%、降低任务延迟21.6%–44.0%、较其他方法实现6.48%至16.6%的接纳率提升，显著优于现有方法。
Keyword:
Open radio access network (O-RAN)
resource allocation
gated recurrent unit (GRU)
RAN intelligent controller (RIC)
machine learning (ML)
xApp
rApp
resource bottlenecks
6G
期刊
IF:
5.4
论文数:
637
被引数:
9.2K
机构
引用论文
Sanjalawe, Y.; Fraihat, S.; Al-E’Mari, S.; Abualhaj, M.; Makhadmeh, S.; Alzubi, E. A Review of 6G and AI Convergence: Enhancing Communication Networks with Artificial Intelligence. IEEE Open J. Commun. Soc. 2025, 6, 2308–2355. [Google Scholar] [CrossRef]Sanjalawe, Y.; Fraihat, S.; Al-E’Mari, S.; Abualhaj, M.; Makhadmeh, S.; Alzubi, E. 6G与AI融合综述：利用人工智能增强通信网络。IEEE开放通信学会期刊. 2025, 6, 2308–2355. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Network Traffic Prediction Based on the Multi-Time Granularity GRU-BP Neural Network基于多时间粒度gru-bp神经网络的网络流量预测IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Explainable AI in 6G O-RAN: A Tutorial and Survey on Architecture, Use Cases, Challenges, and Future Research6G O-RAN中的可解释人工智能：关于架构、用例、挑战和未来研究的教程与综述
PREAI
分享收藏
查看更多内容