COSMO: O-RAN-Based Service Management and Orchestration for Cross-Technology Multi-Tenant Radio Access Networks
Satelliot;i2CAT Foundation(i2CAT基金会)
本文提出COSMO平台,通过统一编排异构3GPP和非3GPP接入网络,支持跨技术多租户动态资源分配与SLA保障,并集成非实时RIC实现智能闭环控制,实验表明SLA违规率从21%降至10%以下。
2026-06-03 cs.NI
On the Specialization of FDRL Agents for Scalable and Distributed 6G RAN Slicing Orchestration
网络切片使多个虚拟网络能够被实例化和自定义,以满足5G及其他网络部署的异构用例需求。然而,当今可用的大多数解决方案在考虑许多切片时都面临可扩展性问题,因为集中式控制器需要全面了解不同网络域上的资源可用性和消耗情况。为了应对这一挑战,我们设计了一个分层架构,以联邦的方式管理网络切片资源。在深度强化学习(DRL)方案和开放RAN(O-RAN)范式的快速发展的驱动下,我们提出了一组动态放置在无线电接入网络(RAN)中的流量感知本地决策代理(DA)。这些联合决策实体根据底层流量的长期动态调整其资源分配策略,定义能够实现更快训练和通信开销减少的专用集群。事实上,在流量感知代理选择算法的帮助下,我们提出的联邦日间行车线方法通过快速对最终用户移动模式做出反应并减少与集中式控制器的昂贵交互,提供比基准解决方案更高的资源效率。
2022-11-06 cs.NI
ORANUS: Latency-tailored Orchestration via Stochastic Network Calculus in 6G O-RAN
本文提出符合O-RAN标准的数学框架ORANUS,利用基于随机网络演算的模型在近RT和RT控制回路中为uRLLC服务分配无线资源,确保违约概率低于目标容忍度,仿真显示平均违约概率降低10倍。
2024-01-08 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
Toward a UTM-based Service Orchestration for UAVs in MEC-NFV Environment
随着无人机在许多领域的广泛应用,低空空域的交通流量将越来越大。因此,允许在低空空域集成无人机的无人机交通管理(UTM)系统正在获得很大的发展势头。此外,第五代移动网络(5G)很可能通过提供与无人机的连接,实现与远程应用和服务的控制、跟踪和通信,为UTM系统提供基础支持。然而,UAV可能需要与具有不同通信服务质量(QoS)要求的服务通信,范围从尽力而为服务到超可靠低延迟通信(URLLC)服务。事实上,5G可以使用网络切片和多接入边缘计算(MEC)等新技术确保高效的服务质量(QoS)增强。在这种情况下,网络功能虚拟化(NFV)被认为是5G系统的支柱之一,通过在云和MEC平台上提供软件化服务的QoS感知管理和演示(MANO)。可以使用UTM系统提供的信息(例如UAV的飞行计划)来进一步增强UAV服务的MANO过程。在本文中,我们提出了一个扩展的框架MECNFV环境中的无人机服务的管理和编排相结合的MEC-NFV管理和编排框架与UTM系统的功能提供的功能。此外,我们提出了一个非线性规划(ILP)模型的布局方案,我们的框架,我们评估其性能。
2022-01-04 cs.NI
Generative Intent Prediction Agentic AI empowered Edge Service Function Chain Orchestration
Beijing University of Posts and Telecommunications(北京邮电大学)
本文提出一种基于生成意图预测代理(GIPA)的边缘服务功能链(SFC)编排框架,通过多维意图空间和生成扩散模型预测用户隐含意图,实现主动预测和编排,实验表明在高并发高动态场景中性能更优。
2026-01-20 cs.NI
Intent-Based Orchestration in Open RAN: An ns-3 Simulation Framework
Orange Research(橙研)
本文提出一个基于 ns-3 的可扩展仿真框架,用于评估 Open RAN 架构中基于意图、语义感知的控制,并通过一个资源管理用例展示其能提升意图满意度评分并降低资源开销。
2026-05-28 cs.ET cs.NI
Reinforcement Learning in Computing and Network Convergence Orchestration
Asiainfo Technologies (China), Inc.(亚信科技(中国)有限公司);Asiainfo Technologies (Guangzhou), Inc.(亚信科技(广州)有限公司)
随着计算能力逐渐成为数字经济时代的核心生产力,计算与网络融合(Computing and Network Convergence,CNC)的概念被提出并引起广泛关注,在CNC下,网络和计算资源可以根据用户的需求进行动态调度和分配。网络编排平面需要根据任务的属性灵活地将任务部署到合适的计算节点,并安排到达计算节点的路径。这是一个涉及资源调度和路径安排的编排问题。由于数控技术是一个相对较新的技术,本文对数控技术的研究和应用进行了综述。然后,我们设计了一种使用强化学习(RL)的CNC编排方法,这是第一次尝试,可以灵活地分配和调度计算资源和网络资源。其目标是高利润和低延迟。同时,我们使用多因素来确定优化目标,使编排策略优化的总体性能,从不同的方面,如成本,利润,延迟和系统负载在我们的实验。实验结果表明,与贪婪算法、随机选择算法和资源均衡算法相比,该方法具有更高的收益和更低的延迟。我们证明RL适合CNC编排。本文对RL在数控编排中的应用有一定的启示。
2022-09-22 cs.AI cs.NI
Learning-Based Orchestration for Dynamic Functional Split and Resource Allocation in vRANs
虚拟化无线电接入网络(vRAN)的主要优势之一是网络管理灵活性。然而,这种多功能性带来了以前从未见过的网络管理挑战。本文提出了一种基于学习的零接触vRAN编排框架(LOFV),以联合选择功能划分并分配虚拟化资源,从而最大限度地降低长期管理成本。首先,使用集中式RAN系统收集用户需求与虚拟化资源利用之间的行为的测试床测量。所收集的数据表明,需求和资源利用之间存在非线性和非单调的关系。在此基础上,提出了一个综合成本模型,该模型综合考虑了资源过度配置、需求下降、实例化和重构等因素。此外,所提出的成本模型还捕获了每个拆分的不同路由和计算成本。受我们的测量见解和成本模型的启发,LOFV是使用无模型强化学习范式开发的。提出的解决方案是由深度Q学习和基于回归的神经网络的组合构建的,该网络将网络状态和用户需求映射到拆分和资源控制决策中。我们的数值计算表明,LOFV可以提供高达69%的最优静态策略和45%的最优完全动态策略的成本节省。
2022-05-16 cs.NI
Multi-Tenant Cross-Slice Resource Orchestration: A Deep Reinforcement Learning Approach
随着蜂窝网络变得越来越灵活,一个主要的挑战在于如何在一个共同的物理网络基础设施上支持移动用户(MU)的各种服务。网络切片是一种很有前途的解决方案,可以定制网络以匹配此类服务请求。本文考虑了一个系统与无线电接入网络(RAN),只有切片,其中的物理基础设施被分割成切片提供计算和通信功能。有限数量的信道跨调度时隙被拍卖给多个服务提供商(SP)的MU(即,租户)。每个SP都自私地表现为最大化与其他SP竞争的预期长期回报,以协调通道,这为其MU提供了访问计算和通信切片的机会。该问题被建模为一个随机博弈,其中SP的决策依赖于全局网络动态以及所有SP的联合控制策略。为了逼近纳什均衡解,我们首先构造了一个抽象的随机博弈模型,该模型包含了供应商之间渠道拍卖的局部结构。然后,我们线性分解的每SP马尔可夫决策过程,以简化在SP的决策,并推导出一个在线计划的基础上深度强化学习,以接近最优的抽象控制策略。数值实验表明,我们的计划显着的性能增益。
2019-06-03 cs.NI
A Bayesian Framework of Deep Reinforcement Learning for Joint O-RAN/MEC Orchestration
Centre for Wireless Communications, University of Oulu(奥卢大学无线通信中心)
本文提出一种贝叶斯深度强化学习框架,联合编排O-RAN/MEC以最小化运营成本并最大化性能,采用DDQN与动作分支处理大规模状态和离散动作,并通过汤普森采样加速收敛,仿真显示奖励提升32%。
2023-12-26 cs.LG cs.NI
AI Lifecycle-Aware Feasibility Framework for Split-RIC Orchestration in NTN O-RAN
Department of Information Engineering, University of Florence(佛罗伦萨大学信息工程系);CNIT - University of Florence Research Unit(佛罗伦萨大学CNIT研究单元)
本文研究了通过Split-RIC架构将O-RAN控制层级分布到地面、低轨和高轨段的可行性,推导了生命周期能量和延迟的闭式表达式,并通过敏感性分析确定了在轨学习优于地面卸载的可行性区域。
2026-03-24 cs.AI cs.NI
Secrecy Preserving in Stochastic Resource Orchestration for Multi-Tenancy Network Slicing
网络切片是一种新兴的技术,可以在一个公共的物理网络基础设施上支持来自移动用户(MU)的各种服务。在本文中,我们考虑无线电接入网络(RAN)仅切片,其中物理RAN是定制的,以适应计算和通信功能。多个服务提供商(SP,即,多个租户)彼此竞争以竞标调度时隙上的有限数量的信道,目的是向它们的订阅MU提供接入RAN切片的机会。一个窃听者偷听数据传输的MU。我们建模的非合作SP之间的相互作用作为一个随机博弈,其中SP的目标是优化自己的预期长期收益性能。为了逼近纳什均衡解,我们首先利用渠道拍卖结果构造了一个抽象的随机博弈。然后,我们线性分解每个SP马尔可夫决策过程,以简化决策,并推导出一个基于深度强化学习的计划,以接近最优的抽象控制策略。基于TensorFlow的实验验证了所提出的方案优于三个基线,并在每个MU每个调度时隙的平均效用方面产生最佳性能。
2019-07-24 cs.GT cs.NI
End-to-End Edge AI Service Provisioning Framework in 6G ORAN
School of Aerospace, Transport and Manufacturing (SATM), Cranfield University(克兰菲尔德大学航空航天、运输与制造学院)
本文提出基于部署为O-RAN rApps的LLM智能体的端到端边缘AI与网络服务编排框架,并通过OpenAirInterface和FlexRIC原型验证其可行性。
2025-03-15 cs.AI cs.NI
Open Orchestration Cloud Radio Access Network (OOCRAN) Testbed
云无线接入网络(C-RAN)为蜂窝网络的部署、管理和演进提供了一种革命性的方法。此外,软件定义无线电(SDR)和网络技术的进步使通过云提供软件定义的一切成为可能。将利用抽象化、虚拟化和整合技术汇集和动态分配资源;将使用通用应用程序编程接口实现流程自动化;将通过协调器以编程方式提供网络功能和服务。OOCRAN,oocran.dynu.com,是一个基于ETSI提出的NFV MANO架构的软件框架。它为整个无线基础设施提供了一个协调层,包括硬件、软件、频谱、前传和回传。OOCRAN通过合并无线电通信层及其管理依赖性来扩展现有的NFV管理框架。无线基础设施提供商然后可以动态地向无线服务提供商提供虚拟化无线网络。该测试平台的物理基础设施是围绕一个计算集群构建的,该集群执行开源SDR库并连接到基于SDR的远程无线电头。我们演示了OCCRAN的操作,并讨论了动态LTE小小区网络部署的时间影响。
2017-12-09 cs.NI eess.SP
Energy-Aware CPU Orchestration in O-RAN: A dApp-Driven Lightweight Approach
针对O-RAN软件化转型中RAN工作负载与通用OS调度器适配不佳导致的能耗与性能问题,提出一种部署在DU层的轻量级dApp,通过线程级遥测实时调整CPU配置,在无内核修改、不依赖专有软硬件的情况下实现节能且不损实时性能。
2025-08-01 cs.NI cs.OS cs.PF
Beyond Connectivity: An Open Architecture for AI-RAN Convergence in 6G
Institute for the Wireless Internet of Things, Northeastern University(无线物联网研究所,东北大学)
本文提出了一种开放式架构,用于6G中AI-RAN与电信融合,通过模块化和云原生特性支持异构AI部署,并引入AI-RAN Orchestrator和AI-RAN站点实现灵活的编排和实时处理能力。
2025-12-02 cs.AI cs.NI eess.SP
Towards an AI/ML-driven SMO Framework in O-RAN: Scenarios, Solutions, and Challenges
本文面向 O-RAN 的 SMO 智能化需求,提出三类 ML 集成场景,并重点设计以 Non-RT RIC 为核心的集中式 ML 架构,同时分析实施挑战。
2024-09-08 cs.NI
I-BOT: Interference-Based Orchestration of Tasks for Dynamic Unmanaged Edge Computing
近年来,边缘计算已成为面部识别和增强现实等延迟敏感型应用的热门选择,因为与云计算相比,它更接近最终用户。尽管基础设施提供商正在努力创建受管理的边缘网络,但笔记本电脑和平板电脑等个人设备也可以用作潜在的边缘设备,这些设备广泛使用且未得到充分利用。我们将此类设备称为非托管边缘设备(UED)。在这样的非托管边缘系统上调度应用任务并不简单,这是因为三个基本原因-UE的计算能力的异构性、UE的可用性的不确定性(由于设备离开系统)以及共享UED的多个任务之间的干扰。在本文中,我们提出了I-BOT,这是一种基于干扰的编排方案,用于非托管边缘平台(UEP)上的延迟敏感任务。它最大限度地减少了应用程序的完成时间,并且具有带宽效率。I-BOT带来了三大创新。首先,它剖析和预测的任务的干扰模式,使调度决策。其次,它使用反馈机制来调整UED的计算能力的变化,并使用预测机制来处理它们的零星退出。第三,它在其调度决策中考虑任务的输入依赖性(例如,两个任务需要相同的输入数据)。为了评估I-BOT,我们使用代表自动驾驶的应用程序进行端到端模拟,这些应用程序由多个任务组成。我们比较了两个基本基线(随机和循环)和两个最先进的Lavea [SEC-2017]和Petrel [MSN-2018]。与这些基准相比,I-BOT显著减少了应用程序任务的平均服务时间。这种减少在动态异构环境中更为明显,这在UEP中就是这种情况。
2020-11-11 cs.DC cs.NI
Context-Aware Orchestration of Energy-Efficient Gossip Learning Schemes
University of Neuchatel(纳沙泰尔大学);The University of Adelaide(阿德莱德大学);Institute IMDEA Networks(IMDEA网络研究所);HES-SO Valais(瑞士瓦莱高等专业学院);University of Foggia(福贾大学)
本文提出上下文感知的优化Gossip学习(OGL)方案,通过DNN动态调整训练轮数和模型交换策略,在保持目标精度的同时最小化能耗,实验验证其在多种网络场景下的高效性。
2024-04-18 cs.AI cs.DC cs.NI
The Interplay of AI-and-RAN: Dynamic Resource Allocation for Converged 6G Platform
School of Electrical and Electronic Engineering, University of Leeds(利兹大学电气与电子工程学院)
本文提出一种基于O-RAN扩展NRT-RIC的融合框架,利用SAC强化学习动态分配MIG等计算资源,在保障RAN实时性的同时高效承载GenAI工作负载,仿真实现近99%的RAN请求满足率和100%的资源利用率。
2025-03-10 cs.NI
ScalO-RAN: Energy-aware Network Intelligence Scaling in Open RAN
本文提出 ScalO-RAN,一种作为 O-RAN rApp 的优化控制框架,用于在共享基础设施中分配和扩展 AI 类 O-RAN 应用,在满足严格时延要求的同时降低能耗,并通过原型实验证明扩展主要受推理时间约束而非资源约束。
2024-01-15 cs.NI
Agentic AI Empowered Intent-Based Networking for 6G
Department of Computer Science, Brunel University London, UK(布伦埃尔大学伦敦计算机科学系);Department of Computer Science, University of Reading, UK(阅读大学计算机科学系)
本文提出基于多代理框架的意图驱动网络方案,通过LLM自主分解意图并生成可行网络配置,提升6G无线网络的自主编排能力。
2026-10-27 cs.AI cs.NI
Dynamic D2D-Assisted Federated Learning over O-RAN: Performance Analysis, MAC Scheduler, and Asymmetric User Selection
University at Buffalo-SUNY(纽约州立大学布法罗分校);Purdue University(普渡大学)
本文提出动态D2D辅助联邦学习框架,结合多粒度系统动态和O-RAN特性,解决无线网络中动态信道和用户数据集变化带来的挑战。
2025-10-25 cs.AI cs.LG cs.NI