通过单调神经加性模型,在O-RAN中实现可解释且具有冲突感知的蜂窝睡眠控制

《IEEE Communications Magazine》:Explainable and Conflict-Aware Cell Sleep Control in O-RAN via Monotonic Neural Additive Models

【字体: 大 中 小 】 时间:2026年06月04日 来源:IEEE Communications Magazine 8.2

编辑推荐:

  摘要:基于人工智能的开放式无线接入网络(O-RAN)节能应用能够显著降低能耗,但这些应用通常作为“黑箱”运行。运营商无法审查这些应用的决策过程,也无法将其分解以解决不同应用之间的冲突,或在网络分布发生变化时防止出现物理上不安全的操作。本文提出了“节能神经加性模型”(Energy-

  

摘要:

基于人工智能的开放式无线接入网络(O-RAN)节能应用能够显著降低能耗,但这些应用通常作为“黑箱”运行。运营商无法审查这些应用的决策过程,也无法将其分解以解决不同应用之间的冲突,或在网络分布发生变化时防止出现物理上不安全的操作。本文提出了“节能神经加性模型”(Energy-Saving Neural Additive Model,简称ES-NAM),这是一种具有解释性的架构,可用于实现近乎实时的RAN智能控制器应用,并执行多级高级睡眠模式(Advanced Sleep Mode,简称ASM)控制。与传统的黑箱模型和事后解释方法不同,ES-NAM将每个睡眠决策分解为独立的、可审计的函数,这些函数根据流量负载、无线覆盖范围和运行历史三个物理因素进行分类。通过软加性(softplus)权重重参数化机制,确保了诸如让负载过重的小区进入深度睡眠状态等物理上不安全的操作无法发生。这种保障机制与训练数据无关。累积链接序数结构保持了睡眠级别的自然顺序,而组级归因评分则支持基于证据的冲突解决机制,以便与共部署的其他应用协同工作。在包含57个小区的O-RAN兼容仿真环境中,ES-NAM的节能效果与黑箱模型相当,并且在数据分布发生变化的情况下也没有出现任何违反单调性规则的情况。在包含10,000种场景的冲突解决评估中,该归因机制在数据驱动的运行点上实现了99.5%的覆盖精度。跨数据集的验证表明,这些结构保障机制能够适用于未预见的网络条件。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号