AutORAN: LLM-driven Natural Language Programming for Agile xApp Development
Department of Computing, The Hong Kong Polytechnic University（计算机系，香港理工大学）；Department of Computer Science and Engineering, University at Buffalo（计算机科学与工程系，布法罗大学）
AutORAN通过大语言模型实现自然语言编程，自动化xApp开发流程，显著提升开发效率，使xApp开发更加敏捷和高效。
2026-03-19 cs.AI cs.NI
Agentic-V2X: Small Language Model Agents for Deadline-Aware V2X Scheduling in 5G/6G Networks
Department of Informatics, University of Piraeus（比雷埃克斯大学信息学院）；Department of Informatics and Telecommunications, University of Peloponnese（希腊佩拉索斯大学信息与电信学院）
研究针对5G/6G网络中V2X调度，提出Agentic-V2X架构。小型本地部署语言模型生成策略，经验证后由轻量级控制器执行，评估多种策略，该架构能生成有效可执行策略，在多方面有竞争力，但非最佳。
2026-07-07 cs.AI cs.NI
The xApp Store: A Framework for xApp Onboarding and Deployment in O-RAN
University of Glasgow（格拉斯哥大学）
本文提出一个xApp商店框架，利用开源O-RAN实现，为RAN中的xApp上架和部署提供解决方案，促进第三方开发，推动RAN自主运营。
2025-12-02 cs.NI cs.SY eess.SY
Managing O-RAN Networks: xApp Development from Zero to Hero
本文提供了一份从理论到实践开发O-RAN网络xApp的全面教程，系统讲解架构基础、Near-RT RIC组件、xApp设计部署、接口控制、调试实践及当前挑战，旨在填补学术界与工业界在xApp开发上的指导空白。
2025-02-05 cs.NI cs.SY eess.SY
Mitigating xApp conflicts for efficient network slicing in 6G O-RAN: a graph convolutional-based attention network approach
针对6G O-RAN网络切片中xApp冲突问题，提出基于图卷积注意力机制的多智能体强化学习零接触管理方案，减少通信开销，提升资源分配效率与可扩展性。
2025-04-24 cs.NI
OREO: O-RAN intElligence Orchestration of xApp-based network services
OREO是一种O-RAN xApp编排器，通过多层图模型选择最佳服务配置、最大化共享xApps数量并动态分配资源，在接近最优解的同时显著提升服务部署效率并降低资源消耗。
2024-05-30 cs.NI
CORMO-RAN: Lossless Migration of xApps in O-RAN
Politecnico di Torino（都灵理工大学）；CNIT（意大利国家研究与技术创新中心）；Chalmers University（查尔姆斯理工大学）；Institute for the Wireless Internet of Things, Northeastern University（东北大学无线物联网研究所）
研究针对O-RAN中x应用在低流量时资源利用问题，提出CORMO-RAN数据驱动编排器，基于负载动态激活节点并实现x应用无损迁移，兼顾多方面权衡，实验证明其能有效降低RIC集群能耗，节能达64%。
2026-07-29 cs.NI
xDevSM: Streamlining xApp Development With a Flexible Framework for O-RAN E2 Service Models
提出开源框架xDevSM，通过将O-RAN E2服务模型逻辑封装于简单API之后，简化近实时RIC的xApp开发，并在多种RAN平台上验证了其有效性。
2024-09-25 cs.NI
xApp-Level Conflict Mitigation in O-RAN, a Mobility Driven Energy Saving Case
针对O-RAN中xApp间冲突问题，提出直接、间接和隐式冲突的理论框架，利用冲突图分析KPI影响，并基于SLA/QoS阈值检测，在MRO与ES xApp模拟环境中评估多种缓解策略，为高效冲突管理提供见解。
2025-02-27 cs.NI
Open RAN xApps Design and Evaluation: Lessons Learnt and Identified Challenges
本文分析 Open RAN 中第三方 xApp 开发与实现面临的复杂性及开放平台底层软件问题，并总结早期经验以推动产学研协作。
2023-11-07 cs.NI
MANATEE: A DevOps Platform for xApp Lifecycle Management and Testing in Open RAN
University of Bologna（博洛尼亚大学）
MANATEE 是首个结合DevOps实践与服务网格技术的开放RAN平台，旨在提升xApp在异构O-RAN环境中的交付效率和性能保障。
2026-01-20 cs.NI
COMIX: Generalized Conflict Management in O-RAN xApps -- Architecture, Workflow, and a Power Control case
本文提出COMIX，一种用于O-RAN xApps的广义冲突管理方案，通过标准化框架和网络数字孪生检测并解决xApp间的冲突，在功率控制场景中平衡数据速率与能量效率，实现显著节能。
2025-01-24 cs.NI
Federated Deep Reinforcement Learning for Resource Allocation in O-RAN Slicing
近年来，开放式无线接入网（O-RAN）已经成为一种很有前途的技术，为网络供应商和运营商提供一个开放的环境。协调x应用（xAPP）对于提高灵活性和保证O-RAN的高整体网络性能至关重要。同时，联邦强化学习被认为是一种很有前途的技术，可以增强分布式强化学习代理之间的协作，提高学习效率。在本文中，我们提出了一种联合深度强化学习算法，以协调O-RAN中的多个独立xAPP进行网络切片。我们设计了两个xAPP，即功率控制xAPP和基于切片的资源分配xAPP，并使用联邦学习模型协调两个xAPP代理，以提高学习效率和改善网络性能。与传统的深度强化学习相比，我们提出的算法可以实现增强型移动宽带（eMBB）切片的吞吐量提高11%，超可靠低延迟通信（URLLC）切片的延迟降低33%。
2022-08-02 cs.NI eess.SP
ONDT: A Modular and Virtualized O-RAN Digital Twin for xApp/rApp Closed-Loop Experimentatio
i2CAT Foundation（i2CAT基金会）；Juniper Networks（瞻博网络）；UPC, ETSETB（加泰罗尼亚理工大学电子工程学院）
针对O-RAN闭环控制验证风险高、成本大的问题，本文提出模块化虚拟化数字孪生框架ONDT，实现xApp/rApp自动化接入、KPM收集与闭环验证，并在Juniper RIC和Keysight RICtest上验证其隔离可复现性。
2026-10-07 cs.NI
O-RAN Xapps Conflict Prediction Using Graph Convolutional Networks
提出图卷积网络方法GRAPHICA，预测O-RAN中xApps间的三类冲突并定位根因，在不平衡数据集上F1-score超98%。
2026-06-23 cs.LG cs.NI
Cost-Aware Conflict Triage for xApp Control Conflicts in Open RAN
University College Dublin（都柏林大学学院）；Bangladesh Institute of Governance and Management（孟加拉国治理与管理研究所）
针对Open RAN中xApp控制冲突导致的KPI下降问题，提出结合ECDF严重程度评估与事件级决策层的成本感知冲突分类框架，通过30次蒙特卡洛运行验证，其净效用为始终缓解基线的3.9倍。
2026-10-14 cs.NI
Towards xApp Conflict Evaluation with Explainable Machine Learning and Causal Inference in O-RAN
Virginia Tech（弗吉尼亚理工大学）；Cornell University（康奈尔大学）
本文提出结合可解释机器学习和因果推断的xApp冲突管理框架，用于评估RAN控制参数与KPI之间的因果关系，以指导网络运营商进行更有效的冲突解决。
2026-03-11 cs.NI cs.SY eess.SY
QACM: QoS-Aware xApp Conflict Mitigation in Open RAN
针对Open RAN近实时RIC中多厂商xApp的控制决策冲突，提出QACM方法优化冲突参数配置并最大化满足QoS的xApp数量，实验表明其优于两种基准方法。
2025-01-10 cs.NI
CollabORAN: A Collaborative rApp-xApp-dApp Control Architecture for Fairness-Adaptive Resource Sharing in O-RAN
Research & Development Department, Four Dot Infinity (FDI)（四无限公司（FDI）研发部）
本文提出CollabORAN架构，通过分层框架实现O-RAN中的动态公平频谱共享，结合多时间尺度优化提升服务公平性和频谱利用效率。
2026-03-21 cs.NI
Interoperable rApp/xApp Control over O-RAN for Mobility-aware Dynamic Spectrum Allocation
Four Dot Infinity
本文提出了一种基于图论的O-RAN动态频谱分配框架，通过rApp/xApp实现多时间尺度的频谱优化，提升PRB分配效率和服务公平性。
2026-01-20 cs.NI
CONVERGE: A Multi-Agent Vision-Radio Architecture for xApps
INESC TEC, Faculdade de Engenharia, Universidade do Porto（INESC TEC，工程学院，葡萄牙波尔图大学）
本文提出CONVERGE多智能体架构，融合视觉与无线电感知，向O-RAN xApps提供实时信息以控制5G/6G RAN，实验验证延迟低于1毫秒。
2025-08-06 cs.CV cs.NI
Intelligent Closed-loop RAN Control with xApps in OpenRAN Gym
Institute for the Wireless Internet of Things, Northeastern University（东北大学无线物联网研究院）
软件化、可编程网络控制和在不同时间尺度上发挥作用的全方位控制器的使用被视为下一代蜂窝网络演进的关键驱动力。这些技术促进了新设计的智能数据驱动解决方案，用于管理大量不同的蜂窝功能，这些功能基本上不可能在传统的封闭蜂窝架构中实现。尽管工业界对用于无线电接入网络（RAN）的闭环控制的人工智能（AI）和机器学习（ML）解决方案以及该领域的一些研究工作有明显的兴趣，但它们的设计远不是主流，并且它仍然是一种复杂且经常被忽视的操作。在本文中，我们讨论了如何为Open RAN的智能闭环控制设计AI/ML解决方案，并基于具有高性能记录的示例性解决方案提供指导和见解。然后，我们将展示如何通过OpenRAN Gym将这些解决方案嵌入到在O-RAN近实时RAN智能控制器（RIC）上实例化的xApp中，OpenRAN Gym是第一个公开的大规模数据驱动O-RAN实验工具箱。我们展示了一个使用OpenRAN Gym开发的xApp的用例，并在Colosseum无线网络模拟器上部署了7个基站和42个用户的蜂窝网络上进行了测试。我们的演示展示了基于OpenRAN Gym的xApp开发环境的高度灵活性，它独立于部署场景和流量需求。
2022-08-31 cs.LG cs.NI
xTRUCE: A Provably Safe Arbiter for Multi-xApp Conflict Mitigation in Agentic O-RAN
Virginia Tech（弗吉尼亚理工大学）；University of Georgia（佐治亚大学）
针对O-RAN中LLM驱动xApp提案的冲突等问题，提出可证明安全的仲裁器xTRUCE，通过三层约束层次与两阶段仲裁机制保障gNB控制安全，经仿真和空中实验验证其有效性。
2026-09-28 cs.NI cs.SY eess.SY
Enabling Real-Time AI in O-RAN: Deploying and Measuring AI Inside a Near-RT RIC xApp
Old Dominion University（老道明大学）
本文在OAI和FlexRIC测试平台上实现了一个AI驱动的网络状态分类xApp，通过将逻辑回归和浅层MLP编译为确定性C推理模块，在10ms近实时预算内实现了微秒级推理延迟，验证了轻量级AI在近实时RIC中的嵌入可行性。
2026-07-09 cs.NI
Experimental Study of Adversarial Attacks on ML-based xApps in O-RAN
本研究在O-RAN架构的近实时RIC中部署了基于ML的干扰分类器xApp，通过操纵共享数据库数据实施对抗攻击，实验证明微小攻击即可显著降低ML应用准确性并影响整个系统性能。
2023-09-07 cs.NI eess.SP
Twin-Fidelity-Aware Resolution of Direct xApp Conflicts in Open RAN
École de Technologie Supérieure (ÉTS), University of Quebec（魁北克大学高等技术学院）；University of Jeddah（吉达大学）；Indian Institute of Technology Ropar（罗帕尔印度理工学院）；University Gustave Eiffel（古斯塔夫·埃菲尔大学）
研究开放无线接入网中节能与覆盖/吞吐量xApp的直接冲突，提出双保真感知硬切换仲裁器，通过监控预测与观察效用误差解决冲突，在5G系统级评估中实现接近最优的吞吐量-功率权衡，降低效用遗憾。
2026-07-28 cs.NI
Machine Learning-based xApp for Dynamic Resource Allocation in O-RAN Networks
本文提出一种基于机器学习的O-RAN网络xApp，利用随机森林分类器根据流量需求和QoS动态选择最佳PRB分配策略，以优化资源分配并满足服务等级规范，实验表明策略选择准确率达85%。
2024-01-15 cs.NI eess.SP
A Comparative Analysis of Deep Reinforcement Learning-based xApps in O-RAN
本文比较分析了12种基于DRL的O-RAN xApp设计对网络性能的影响，在Colosseum仿真器上评估了不同奖励函数和动作空间的智能体，发现特定设计能实现最优性能，而其他设计可能引发流量竞争。
2023-09-11 cs.NI eess.SP
Maximising Energy Efficiency in Large-Scale Open RAN: Hybrid xApps and Digital Twin Integration
针对5G及未来网络RAN能耗高的问题，提出结合启发式与无监督机器学习的混合xApp，集成数字孪生技术动态管理RU睡眠模式，在大规模仿真中实现约13%节能且不损害QoS。
2025-09-12 cs.NI eess.SP
xDevSM: An Open-Source Framework for Portable, AI-Ready xApps Across Heterogeneous O-RAN Deployments
University of Bologna（博洛尼亚大学）；Institute for the Wireless Internet of Things, Northeastern University（东北大学无线互联网研究所）
xDevSM是一个开源框架，旨在降低异构O-RAN部署中AI驱动xApps的开发门槛，通过统一可观测性和控制，提供丰富的KPMs和细粒度资源管理控制，支持智能闭环应用和学习优化。
2026-02-03 cs.NI
RSLAQ -- A Robust SLA-driven 6G O-RAN QoS xApp using deep reinforcement learning
Queen’s University Belfast（贝尔法斯特女王大学）
RSLAQ通过深度强化学习整合SLAs，实现6G O-RAN中QoS管理的鲁棒性和资源优化。
2025-04-12 cs.NI
rApp/xApp Attestation: A New Security Use Case for O-RAN
GIC, Institute for Communication Systems (ICS), University of Surrey（萨里大学通信系统研究所）；Nokia（诺基亚）；Department of Information and Electronic Engineering, International Hellenic University（国际赫尔基克大学信息与电子工程系）
针对O-RAN中rApp/xApp运行时完整性验证缺失的问题，提出RIC原生的证明用例，集成现有完整性验证技术，原型实验显示延迟低于40毫秒，不影响时敏操作。
2026-09-22 cs.CR cs.NI
Intent-driven Intelligent Control and Orchestration in O-RAN Via Hierarchical Reinforcement Learning
本文提出一种基于分层强化学习的O-RAN意图驱动智能控制与编排方案，通过元控制器和控制器双层架构优化吞吐量、能效和时延，仿真显示相比基线在吞吐量和能效上均有显著提升。
2023-07-06 cs.NI
Towards Achieving Energy Efficiency and Service Availability in O-RAN via Formal Verification
本文提出在O-RAN中通过PRISM模型检查器对xApp进行形式化验证，以平衡能源效率与服务可用性，并强调其作为开发前关键步骤的必要性。
2024-11-06 cs.NI
REAL: Reinforcement Learning-Enabled xApps for Experimental Closed-Loop Optimization in O-RAN with OSC RIC and srsRAN
本文提出REAL框架，将OSC RIC与srsRAN结合，利用强化学习xApps在O-RAN测试平台上实现近实时网络切片与闭环资源优化，并通过GNU Radio信道建模验证其在多UE多切片场景下维持QoS的可行性。
2025-02-02 cs.NI
Next Generation Intelligent Low-Altitude Economy Deployments: The O-RAN Perspective
Mississippi State University（密西西比州立大学）
本文提出基于O-RAN的低空经济框架，利用AI优化实现闭环任务协调，通过语义感知rApp和强化学习xApp提升轨迹规划性能。
2026-01-01 cs.AI cs.CV cs.MA
ZODIAC: Zero-shot Offline Diffusion for Inferring Multi-xApps Conflicts in Open Radio Access Networks
George Washington University（乔治华盛顿大学）；Nokia Bell Labs（诺基亚贝尔实验室）
本文提出ZODIAC框架，通过离线数据推断开放式无线接入网络中多xApps冲突，采用不确定性感知代理模型训练、轨迹级扩散训练和组合引导去噪方法，实现高效且受物理约束的条件搜索。
2026-04-21 cs.NI
ColO-RAN: Developing Machine Learning-based xApps for Open RAN Closed-loop Control on Programmable Experimental Platforms
尽管开放RAN带来了新的机遇，但基于ML的网络自动化的进展一直很缓慢，主要是因为大规模数据集和实验测试基础设施的不可用。这减缓了深度强化学习（DRL）代理在真实网络上的开发和广泛采用，延迟了智能和自主RAN控制的进展。在本文中，我们提出了实用的解决方案和软件管道的设计，培训，测试，并在开放RAN基于DRL的闭环控制的实验评估，以解决这些挑战。我们介绍ColO-RAN，这是第一个公开的具有软件定义无线电在环的大规模O-RAN测试框架。基于Colosseum无线网络仿真器的规模和计算能力，ColO-RAN使用O-RAN组件、可编程基站和“无线数据工厂”实现了大规模的ML研究。具体来说，我们设计和开发了三个示例性xApp，用于基于DRL的RAN切片控制、调度和在线模型训练，并评估它们在具有7个软件化基站和42个用户的蜂窝网络上的性能。最后，我们展示了ColO-RAN到不同平台的可移植性，通过将其部署在室内可编程测试平台Arena上。我们首次大规模评估的广泛结果突出了基于DRL的自适应控制的优势和挑战。他们还提供了关于无线DRL管道开发的见解，从数据分析到DRL代理的设计，以及与现场RAN培训相关的权衡。ColO-RAN和收集的大规模数据集将向研究界公开提供。
2022-01-12 cs.LG cs.NI
AI-Powered Conflict Management in Open RAN: Detection, Classification, and Mitigation
University College Dublin（都柏林大学学院）；Bangladesh Institute of Governance and Management（孟加拉国治理与管理研究所）
本文提出基于AI的开放RAN冲突管理框架，通过合成冲突生成和高效分类方法，实现快速准确的冲突检测与缓解，提升网络稳定性和性能。
2026-02-23 cs.NI
AI-Native Open RAN: A Roadmap from xApps and rApps to Autonomous Network Agents
Holcombe Department of Electrical and Computer Engineering, Clemson University（克莱姆森大学霍爾莫普电气与计算机工程系）
本文综述AI赋能的O-RAN系统，提出AI方法分类法，涵盖机器学习、深度强化学习、数字孪生和基础模型，为无线网络智能演进提供统一视角。
2026-09-15 cs.NI
Experimental evaluation of xApp Conflict Mitigation Framework in O-RAN: Insights from Testbed deployment in OTIC
该研究在 OTIC 真实 O-RAN 测试床中通过 OTA RF 传输评估 xApp 冲突缓解框架，验证冲突检测与解决机制可使下行吞吐量波动降低 78%。
2025-05-15 cs.NI cs.SY eess.SY
Conflict Management in the Near-RT-RIC of Open RAN: A Game Theoretic Approach
针对Open RAN的Near-RT-RIC中因xApps相互影响产生的冲突及缺乏标准化CMS的问题，提出基于合作博弈论（NSWF和EG解决方案）的冲突管理系统与控制器，有效平衡冲突参数并缓解不利影响。
2023-11-22 cs.GT cs.NI
Conflict Mitigation Framework and Conflict Detection in O-RAN Near-RT RIC
本文提出一种内置于O-RAN架构的冲突缓解框架（CMF），使近实时RIC能检测并解决所有规范定义的冲突类型，仿真证明其能平衡冲突xApps的控制能力，显著提升网络性能且对可靠性影响较小。
2023-05-11 cs.MA cs.NI
Team Learning-Based Resource Allocation for Open Radio Access Network (O-RAN)
近年来，开放式无线接入网（O-RAN）的概念被提出，其目标是在下一代无线接入网（RAN）中采用智能性和开放性。它提供了标准化的接口，并能够通过x-applications（xAPP）托管来自第三方供应商的网络应用程序，从而实现更高的网络管理灵活性。然而，这可能导致网络功能实现中的冲突，特别是当这些功能由不同的供应商实现时。在本文中，我们的目标是减轻xAPP之间的冲突，近实时（近RT）无线电智能控制器（RIC）的O-RAN。特别是，我们提出了一个团队学习算法，以提高网络的性能，通过增加xAPP之间的合作。我们将团队学习方法与独立的深度Q学习进行了比较，其中网络函数单独优化资源。我们的模拟结果表明，团队学习有更好的网络性能，在各种用户的移动性和流量负载。在6 Mbps流量负载和20 m/s用户移动速度下，团队学习实现了8%的吞吐量提升和64.8%的PDR降低。
2022-01-19 cs.NI
Exploiting and Securing ML Solutions in Near-RT RIC: A Perspective of an xApp
本文从 xApp 视角分析 Near-RT RIC 上 ML 应用的安全风险，梳理潜在攻击向量与防御机制，以支撑 O-RAN 大规模部署前的稳健 RIC 设计。
2024-06-18 cs.CR cs.NI cs.SY
Meta-Learning-Based Handover Management in NextG O-RAN
本文提出CONTRA框架，首次在O-RAN架构内联合优化传统切换和条件切换，通过元学习算法提升切换效率和鲁棒性。
2025-12-26 cs.AI cs.NI
AI-Driven Multi-Modal Adaptive Handover Control Optimization for O-RAN
University College Dublin（都柏林大学）；Bangladesh Institute of Governance and Management（孟加拉国治理与管理研究所）
本文提出一种多模态移动感知优化框架，通过rApp生成邻区推荐并结合E2测量实现切换决策，提升切换可靠性。
2026-03-17 cs.NI
Jamming Detection in 5G/6G Networks: From O-RAN Concept to OCUDU Deployment
Poznan University of Technology（波兹南理工大学）；Keysight Technologies（是德科技）
本文提出一种用于Open RAN架构的主动式干扰检测xApp（JD-xApp），通过监测BLER并限制MCS来稳定URLLC延迟，在OCUDU上实现，实验显示重传次数减少67.3%。
2026-09-17 cs.NI
PACIFISTA: Conflict Evaluation and Management in Open RAN
本文针对O-RAN中多xApp/rApp自主控制引发的目标冲突，提出PACIFISTA框架，通过沙箱分析、层次图和统计模型检测并评估冲突，实验表明其可提前预警并避免最高30%的性能下降。
2025-05-13 cs.NI
Black-Box Evasion Attacks on Data-Driven Open RAN Apps: Tailored Design and Experimental Evaluation
本文研究 O-RAN 中 xApp/rApp 的数据安全风险，提出结合模型克隆、输入特定扰动、UAP 与定向 UAP 的黑盒规避攻击，并在真实测试床验证其可降低网络性能且能抵御主流防御。
2025-10-20 cs.CR cs.NI
OpenRAN Gym: An Open Toolbox for Data Collection and Experimentation with AI in O-RAN
开放无线接入网络（RAN）架构将在下一代蜂窝网络中实现互操作性、开放性和编程数据驱动控制。然而，开发可扩展和高效的数据驱动算法，可以在不同的部署中推广并优化RAN性能，这是一项复杂的壮举，目前在很大程度上尚未解决。具体而言，为网络控制和推理设计高效的数据驱动算法的能力至少需要（i）访问大型、丰富和异构的数据集;（ii）在受控但现实的环境中进行大规模测试;以及（iii）自动化数据汇集和实验的软件管道。为了促进这些任务，在本文中，我们提出了OpenRAN Gym，一个实用的，开放的，实验性的工具箱，提供端到端的设计，数据汇集，并在下一代开放RAN系统的智能控制测试工作流程。OpenRAN Gym基于用于收集大型数据集和RAN控制的软件框架，以及用于实验无线平台的轻量级O-RAN环境。我们首先提供OpenRAN Gym的概述，然后描述它如何用于收集数据，设计和训练基于人工智能和机器学习的O-RAN应用程序（xApps），以及在软件化RAN上测试xApps。然后，我们提供了一个使用OpenRAN Gym设计的两个xApp的示例，用于控制在Colosseum测试床上部署的具有7个基站和42个用户的大规模网络。OpenRAN Gym及其软件组件是开源的，可供研究社区公开使用。
2022-02-21 cs.NI
Transformer-Based Wireless Traffic Prediction and Network Optimization in O-RAN
本文提出基于Transformer的O-RAN流量预测方法，按需启动xApp/rApp优化网络，能效提升39.7%，吞吐量提升10.1%。
2024-03-16 cs.NI
RAN Cortex: Memory-Augmented Intelligence for Context-Aware Decision-Making in AI-Native Networks
Author Name（作者名称）
针对 AI 原生 RAN 智能体无状态、难以利用历史经验的问题，本文提出兼容 O-RAN 的记忆增强架构 RAN Cortex，通过编码、向量记忆、语义检索和策略接口支持情境感知决策。
2025-05-06 cs.AI
Learning and Reconstructing Conflicts in O-RAN: A Graph Neural Network Approach
本文提出首个数据驱动方法，利用GraphSAGE图神经网络框架动态学习并重建O-RAN中xApps、控制参数与KPIs之间的隐藏关系，有效识别O-RAN联盟定义的冲突。
2025-02-02 cs.NI cs.SY eess.SY
