ML-based Predictive Models for Power Consumption in Virtualised O-RANs
Diese Arbeit schlägt maschinelle Lernmodelle zur Vorhersage des Stromverbrauchs in virtualisierten O-RANs vor und evaluiert diese, wobei sie zeigt, dass ein hybrider DNN-XGBoost-Ansatz eine überlegene Genauigkeit (unter 0,5 % Fehler) im Vergleich zu Standard- und regularisierten DNNs erreicht und somit eine energieeffizientere Netzwerkorchestrierung ermöglicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Internet als eine riesige, geschäftige Stadt vor, in der Daten der Verkehr sind und Mobilfunkmasten die Ampeln darstellen. Über Jahrzehnte hinweg sind diese Ampeln zwar intelligenter geworden, aber sie sind auch hungriger geworden. Da unsere Telefone höhere Geschwindigkeiten und mehr Videostreaming verlangen, verschlingen die Netzwerke, die sie antreiben, Strom wie ein Marathonläufer auf einem Zuckerschub. Das ist nicht nur schlecht für das Klima des Planeten; es ist auch eine enorme Rechnung für die Unternehmen, die die Netzwerke betreiben. Um dies zu beheben, versuchen Ingenieure, diese Netzwerke von Grund auf neu aufzubauen und sie in flexible, softwaregesteuerte Systeme namens „Open Radio Access Networks“ (oder kurz „O-RANs“) zu verwandeln. Stellen Sie sich O-RAN so vor, als würde man ein starres, vorgefertigtes Haus in einen Satz aus Lego-Steinen verwandeln, die sich augenblicklich umbauen lassen, um dem Wetter anzupassen. Aber hier liegt der Knackpunkt: Da sich diese Lego-Steine so schnell verändern können, ist es unglaublich schwer vorherzusagen, wie viel Energie sie in einem gegebenen Moment verbrauchen werden. Die alten Methoden, den Energieverbrauch zu schätzen, sind wie der Versuch, das Wetter vorherzusagen, indem man auf eine statische Karte schaut; sie können die plötzlichen Stürme und sonnigen Phasen eines modernen, digitalen Netzwerks einfach nicht bewältigen.
Hier kommen die Forscher des Trinity College Dublin mit einer neuen Idee ins Spiel: Lassen Sie uns einen Computer lernen, die Energiegewohnheiten des Netzwerks zu verstehen, anstatt zu versuchen, ein Handbuch dafür zu schreiben. Sie errichteten einen realen Testaufbau – eine Miniaturversion dieses flexiblen Netzwerks – und maßen exakt, wie viel Strom es unter verschiedenen Bedingungen verbrauchte. Dann trainierten sie drei verschiedene Arten von „digitalen Gehirnen“ (Modellen des maschinellen Lernens), um sich die Netzwerkeinstellungen anzusehen und die Stromrechnung zu erraten. Das erste Gehirn war ein Standard-Deep-Neural-Network (DNN), eine Art von KI, die gut darin ist, Muster zu erkennen. Das zweite war eine „regularisierte“ Version desselben Gehirns, die angepasst wurde, um es davon abzuhalten, zu viel zu tagträumen (ein Problem, das als Overfitting bezeichnet wird). Das dritte war ein hybrides Teamwork: Das DNN fungierte als Scout, um die wichtigsten Hinweise zu finden, und übermittelte diese Hinweise dann an einen anderen, sehr scharfsinnigen Entscheidungsträger namens XGBoost, um die endgültige Schätzung abzugeben.
Die Ergebnisse waren eindeutig: Das Teamwork war der Star der Show. Während die Standard- und die regularisierten Gehirne einige ordentliche Schätzungen abgaben, gerieten sie ins Straucheln, wenn die Netzwerkbedingungen schwierig wurden, und lagen manchmal um bis zu 5 % daneben. Das hybride Modell hingegen war unglaublich präzise und schätzte den Stromverbrauch konsistent mit einer Fehlerrate von weniger als 0,5 %. Tatsächlich lag es in den schwierigsten Szenarien nur um etwa 0,1 % daneben. Das Paper legt nahe, dass dieser hybride Ansatz der zuverlässigste Weg ist, um den Energieverbrauch in diesen komplexen, virtualisierten Netzwerken vorherzusagen. Durch den Einsatz einer solchen intelligenten Vorhersage könnten Netzwerkmanager potenziell ungenutzte Teile des Systems abschalten oder die Leistungsstufen in Echtzeit anpassen, um Energie zu sparen, ohne unser Internet zu verlangsamen. Die Autoren merken an, dass dies ein starker Anfang ist, die zukünftige Arbeit jedoch darin bestehen könnte, diesen Modellen beizubringen, wie sich der Datenverkehr im Laufe der Zeit verändert – ganz ähnlich wie das Erlernen der täglichen Pendelmuster einer Stadt –, um die Energieeinsparungen noch effektiver zu gestalten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.