Giải pháp quản lý tài nguyên mạng O-RAN tối ưu hóa bằng học sâu
MỤC LỤC
GIẢI PHÁP QUẢN LÝ TÀI NGUYÊN MẠNG O-RAN SỬ DỤNG HỌC SÂU
Từ đó đưa ra phương pháp sử dụng học sâu trong quản lý tài nguyên của mạng truy nhập vô tuyến mở.
TỔNG QUAN VỀ MẠNG TRUY NHẬP VÔ TUYẾN MỞ
Giới thiệu chung về mạng truy nhập vô tuyến mở
- Thông minh: Các chức năng của RAN trong mặt phẳng điều khiển (C- plane), mặt phẳng người dùng (U-plane) và mặt phẳng quản trị (M-plane) là đối tượng được tối ưu hóa bởi các giải pháp của bên thứ ba được triển khai trong một chức năng điều khiển tập trung mới, được gọi là RIC, thực hiện điều khiển vòng lặp khép của các chức năng RAN qua các giao diện mở. Các giải pháp này tận dụng phân tích dựa trên dữ liệu và các kỹ thuật AI và ML tiên tiến để học hiệu quả các mối phụ thuộc phức tạp và các tương tác chéo phức tạp giữa các tham số trên các lớp của ngăn xếp giao thức RAN để tối ưu hóa các quyết định quản lý tài nguyên vô tuyến (RRM) ở độ phân giải tốt hơn cấp thiết bị người dùng (UE), không thể được nắm bắt bởi các thủ tục RRM truyền thống.
Kiến trúc và tiêu chuẩn của mạng truy nhập vô tuyến mở .1 Kiến trúc của O-RAN
- Tăng cường độ thông minh của mạng: Cung cấp các đảm bảo hiệu suất và trải nghiệm cho người dùng cuối và khách hàng doanh nghiệp, hướng tới việc thực hiện các trường hợp sử dụng bằng cách tận dụng RIC thực hiện tối ưu hóa các chức năng C-plane, U-plane và M-plane sử dụng các công cụ AI/ML tinh vi, trí tuệ chi tiết và chính sách có thể lập trình. - Thúc đẩy đổi mới: Nuôi dưỡng một hệ sinh thái cạnh tranh các giải pháp của bên thứ ba tương tác với nhau sử dụng giao diện và API mở và tiêu chuẩn để tối ưu hóa mạng và đạt được hiệu suất/đảm bảo trải nghiệm, - Hợp tác phát triển phần cứng và phần mềm mở giữa nhiều các nhà cung. - Sự phức tạp trong tự động hóa thông minh liên quan đến RIC và các ứng dụng của bên thứ ba xApps/rApps, phát sinh từ nhiều xApps/rApps đang cố gắng truy cập cùng một tài nguyên và thực hiện các thay đổi tiềm ẩn xung đột trong cùng một tài nguyên có thể dẫn đến sự không ổn định của hệ thống.
Kiến trúc dựa trên dịch vụ cho Non-real-time RIC và giao diện R1: Kiến trúc Non-real-time RIC trong O-RAN WG2 trình bày một kiến trúc dựa trên dịch vụ, trong đó khung Non-real-time RIC/SMO cung cấp một gói các dịch vụ sẽ được cung cấp bởi các chức năng khung Non-real-time RIC/SMO (hoạt động như nhà sản xuất dịch vụ) và sẽ được tiêu thụ bởi các rApp (hoạt động như người tiêu dùng dịch vụ) qua giao diện dựa trên dịch vụ R1.
Kết luận chương 1
(VR), sẽ cho phép máy chủ chủ động và thông minh tối ưu hóa kích thước gói IP cho nội dung VR để giảm thiểu hiện tượng màn hình bị đóng băng, màn hình bị tắt. Nhà sản xuất NSSMS cung cấp các dịch vụ CM, PM và các dịch vụ FCAPS khác cho các NSSI cụ thể của RAN.
GIẢI PHÁP QUẢN LÝ TÀI NGUYÊN MẠNG O- RAN SỬ DỤNG HỌC SÂU
Giới thiệu về học sâu và những thuật toán .1 Giới thiệu về học sâu
Phải đến những năm 80, một nhóm các nhà khoa học như Geoffrey Hinton, David Rumelhart, và Ronald Williams đã đưa ra thuật toán lan truyền ngược (Backpropagation) giúp tối ưu hiệu quả trong việc huấn luyện mạng nơ-ron. Đến năm 2009 tại đại học Standfornd, hai nhà khoa học là Andrew Ng và Quoc Le đạt được thành công khi triển khai mạng nơ-ron sâu trên hệ thống điện toán đám mây, cho phép mô hình học từ dữ liệu quy mô lớn. Mạng phần dư (Residual Networks) của Kaiming He và các đồng nghiệp giúp huấn luyện các mạng nơ-ron cực sâu, vượt qua các mô hình truyền thống trong nhiều tác vụ nhận diện hình ảnh vào năm 2015.
Sang 2016 AlphaGo của DeepMind sử dụng học sâu để đánh bại nhà vô địch thế giới Lee Sedol trong trò chơi cờ vây, thể hiện tiềm năng của học sâu trong các trò chơi chiến lược phức tạp.
Giải pháp quản lý tài nguyên mạng O-RAN sử dụng học sâu .1 Các ưu nhược điểm
- Tối ưu hóa Tài nguyên Mạng và Hiệu suất: Sử dụng học sâu để tối ưu hóa cấu hình mạng và phân bổ tài nguyên mạng một cách hiệu quả, dựa trên dữ liệu thời gian thực về lưu lượng mạng và yêu cầu của người dùng. Đồng thời cũng tạo áp lực về phần cứng lưu trữ dữ liệu để tính toán để huấn luyện bởi mạng truy nhập vô tuyến thông thường có kích thước tương đối lớn và thay đổi liên tục theo thời gian thực. Đề án này nhằm mục đích giải quyết việc tối ưu hóa việc phân bổ băng thông trong mạng đám mây O-RAN bằng cách xem xét các khác biệt về yêu cầu chính giữa các lát mạng 5G, eMBB và URLLC và các lát thoại thông thường.
Điều này có thể giúp tránh việc phân bổ toàn bộ băng thông cho (các) lát mạng được yêu thích hơn hoặc có nhu cầu cao hơn tại thời điểm t, trong khi lát mạng ít được yêu thích nhất không có băng thông được phân bổ bởi non-real-time RIC.
Kết luận chương 2
Thứ hai, kích thước của số lượng người dùng có thể được giảm xuống. Kỹ thuật sử dụng chức năng xếp hạng hoặc chức năng bước được giới thiệu bằng cách đếm hàng chục hoặc hàng trăm người dùng mỗi bước dựa trên quy mô người dùng trên mỗi lát mạng. Cuối cùng, băng thông ở cả trạng thái và hành động có thể được biểu thị.
Ví dụ: một trạm nhỏ hơn có thể có tổng băng thông 200 Gigabyte để chia sẻ, trong khi trạm kia có băng thông 1 Terabyte.
MÔ PHỎNG VÀ ĐÁNH GIÁ HIỆU NĂNG
- Kịch bản mô phỏng
- Thực hiện mô phỏng và đánh giá .1 Thực hiện mô phỏng
Sau khi thấy phần eMBB bị giới hạn băng thông tĩnh trong đường cơ sở cân bằng (embb_base40, urllc_base40 và voice_base40 lần lượt là tỉ lệ băng thông cho đường cơ sở 40 của embb, urllc và thoại), đường cơ sở tập trung eMBB (embb_base90, urllc_base90 và voice_base90 lần lượt là tỉ lệ băng thông cho đường cơ sở 90 của embb, urllc và thoại) sẽ cải thiện và chỉ định 90% băng thông cho eMBB vì các yêu cầu eMBB được cho là sẽ đòi hỏi băng thông trong mạng. Tuy nhiên, sự đánh đổi là các lát mạng khác không thể yêu cầu thêm băng thông từ mạng, mặc dù lát eMBB có băng thông chưa được sử dụng trong các tình huống ít yêu cầu về lưu lượng hơn ở phía bên trái của Hình 3.4. Mặt khác, mô hình Q-Learning (embbQ, urllcQ và voiceQ lần lượt là tỉ lệ. băng thông cho thuật toán Q-Learning của embb, urllc và thoại) có thể tự động gán các phần không sử dụng bổ sung từ các lát mạng khác cho lát eMBB trong khi yêu cầu eMBB tăng từ 100 người dùng lên 500 người dùng.
Như phân tích được trình bày trong phần tốc độ dữ liệu UE ở trên, đường cơ sở tập trung eMBB, base90, có lượng dữ liệu tốc độ cao lớn hơn một chút so với mô hình Q-Learning vì mô hình Q-Learning chia sẻ một số băng thông với lát URLLC. Sau thời gian nghiên cứu và thực hiện đề án tốt nghiệp, các kết quả học viên đã đạt được như sau: Thứ nhất, giới thiệu tổng quan về lịch sử hình thành và phát triển của mạng truy nhập vô tuyến bằng, sự ra đời của O-RAN như một lẽ tất yếu phục vụ cho 5G khi các công nghệ áo hóa thành phần và chức năng mạng ngày càng phát triển, hoàn thiện; Thứ hai, sự phát triển của trí tuệ nhân tạo với các thuật toán học máy, học sâu áp dụng trong các bài toán tối ưu, quản lý và giám sát tài nguyên mạng là một trong những điều rất được quan tâm; Thứ ba, đề án đã xây dựng một mô hình mạng O-RAN cơ bản để thực hiện mô phỏng trong hai trường hợp trung bỡnh và cao điểm giỳp thấy rừ khả năng phõn bổ băng thụng linh hoạt, đảm bảo cõn bằng và tối ưu hơn khi có sự thay đổi số lượng thiết bị người dùng trong mạng. Hướng phát triển của đề án là việc sử dụng thêm nhiều các đường cơ sở khác để có thêm sự so sánh và đánh giá khả năng phân bổ băng thông có tối ưu hơn so với nhiều các phương pháp đang có hiện nay không.
