Достижение высокой энергоэффективности базовых станций 5G O-RAN с поддержкой сетевой нарезки

Achieving High Energy Efficiency for Network Slicing-Enabled 5G O-RAN Base Stations
Ye Liu, Leyu Zhao, Jingtong Wu, Di Liu, Xiaojun Hei
2024-12-13

базовые станции 5G O-RANглубокое обучение с подкреплениемэнергоэффективностьграфовые нейронные сетисетевая нарезка
Стремительное развитие сетей 5G привело к росту числа сервисов, требовательных к данным, и значительному увеличению энергопотребления. Повышение энергоэффективности сетей радиодоступа 5G представляет собой критически важную задачу. В данной работе предлагается эффективный алгоритм балансировки нагрузки, оптимизирующий энергоэффективность при доступе пользователей к нескольким сервисам через базовые станции (BS). С использованием сетевой нарезки физическая сеть разделяется на несколько независимых виртуальных сетей. Мы применяем графовые нейронные сети (GNN) для извлечения признаков из динамического трафика, моделирования взаимосвязей между различными сервисами и управления конкуренцией за ресурсы между BS и сетевыми срезами, рассматривая каждый сетевой срез как отдельный узел. Модель GNN прогнозирует загрузку узлов, направляя распределение ресурсов в частотной области и обеспечивая балансировку нагрузки. Кроме того, для сокращения времени работы и минимизации различий между срезами на каждой BS предлагается стратегия глубокого обучения с подкреплением (DRL). Эта стратегия интегрируется с механизмом состояний C центральных процессоров (CPU) на универсальных вычислительных платформах x86, что дополнительно повышает энергоэффективность. В ходе моделирования предложенный алгоритм GNN продемонстрировал высокую точность прогнозирования и распределения ресурсов в частотной области, достигнув точности 99,8%. Алгоритм DRL обеспечил максимальное повышение глобальной энергоэффективности на 12% по сравнению с эталонными алгоритмами. В целом предложенный подход повысил энергоэффективность в среднем на 3,155 B/J в условиях конкуренции за ресурсы, значительно превзойдя стратегии равномерного распределения физических ресурсных блоков (PRB).
1
Стратегия глубокого обучения с подкреплением, интегрированная с механизмом C-states процессоров, сократила время работы и различия между срезами, одновременно повысив энергоэффективность.
2
Графовая нейронная сеть моделирует динамический трафик, взаимосвязи сервисов и конкуренцию ресурсов между базовыми станциями и срезами для прогнозирования нагрузки и распределения частотных ресурсов.
3
Метод DRL повысил глобальную энергоэффективность максимум на 12% по сравнению с эталонными алгоритмами и обеспечил среднее улучшение на 3,155 Б/Дж при конкуренции ресурсов, превзойдя равномерное распределение PRB.
4
В моделировании GNN достигла точности 99,8% при прогнозировании и распределении частотных ресурсов.
5
Предложен алгоритм балансировки нагрузки для повышения энергоэффективности базовых станций 5G O-RAN с поддержкой сетевой нарезки.

базовые станции 5G O-RAN с поддержкой сетевой нарезки в условиях динамического многосервисного трафика и конкуренции за ресурсы

энергетическая эффективность и балансировка нагрузки посредством прогнозирования рабочей нагрузки и согласованного распределения частотно-доменнных ресурсов, состояний C процессоров и ресурсов сетевых срезов

Publication Details
Publication Date
2024-12-13
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Ye Liu
Leyu Zhao
Jingtong Wu
Di Liu
Xiaojun Hei
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%