ML-based Predictive Models for Power Consumption in Virtualised O-RANs

Resumen Técnico: Modelos Predictivos Basados en ML para el Consumo de Energía en O-RANs Virtualizadas

Planteamiento del Problema
El rápido despliegue de las redes 5G y más allá ha intensificado los desafíos de consumo energético, particularmente dentro de las Redes de Acceso de Radio (RAN), que representan más del 70% del uso total de energía de los sistemas móviles. Los modelos analíticos de potencia tradicionales, como el modelo EARTH, son cada vez más inadecuados para las Redes de Acceso de Radio Abiertas (O-RAN). Estos modelos heredados dependen de estructuras lineales y parámetros agnósticos al hardware que no logran capturar la compleja dinámica no lineal de los entornos virtualizados. Específicamente, no pueden contabilizar factores propios de O-RAN como las divisiones funcionales (functional splits), la heterogeneidad de los aceleradores, los estados de energía discretos y los ráfagas del planificador en tiempo real. En consecuencia, existe una necesidad crítica de enfoques basados en datos capaces de predecir con precisión el consumo de energía en arquitecturas O-RAN desagregadas y definidas por software para permitir una orquestación de red eficiente desde el punto de vista energético.

Metodología
Los autores investigan la eficacia de las técnicas de aprendizaje automático (ML), específicamente las Redes Neuronales Profundas (DNN), utilizando un conjunto de datos recolectado de un banco de pruebas O-RAN instrumentado por hardware. La configuración experimental involucra un sistema O-RAN virtualizado ejecutándose en un servidor x86 comercial con contenerización Docker, donde la Unidad de Radio (RU) se implementa mediante un USRP B210, y las funciones de la Unidad de Distribución (DU) y la Unidad Centralizada (CU) están virtualizadas. El consumo de energía se mide globalmente utilizando un medidor de potencia GW-Instek.

El estudio emplea un riguroso flujo de procesamiento de datos y modelado:

1. Ingeniería de Características: El análisis de importancia de características por permutación identifica la ganancia de transmisión, los esquemas de modulación y codificación (MCS) y el tiempo de aire (airtime) como los principales predictores del consumo de energía.
2. Partición del Conjunto de Datos: Para evitar la fuga de datos (data leakage) y asegurar una evaluación robusta, el conjunto de datos se agrupa por parámetros de configuración (por ejemplo, ganancia, MCS) antes de ser dividido en subconjuntos de entrenamiento (80%), validación (10%) y prueba (20%).
3. Desarrollo de Modelos: Se diseñan y evalúan tres arquitecturas distintas:
   • Modelo 1 (DNN Base): Una red neuronal feedforward estándar con tres capas ocultas (64-64-32 neuronas) utilizando activación ReLU y optimización Adam.
   • Modelo 2 (DNN Regularizada): Una arquitectura mejorada que incorpora dropout (p=0.3), regularización L2 (decaimiento de peso λ=0.01) y normalización por lotes (batch normalization) para mitigar el sobreajuste y estabilizar el entrenamiento.
   • Modelo 3 (Híbrido DNN–XGBoost): Un pipeline de dos etapas donde una DNN actúa como extractor de características. La DNN comprime las características de entrada en un espacio latente de 16 dimensiones (capa de cuello de botella), que sirve como entrada para un regresor XGBoost. Este enfoque híbrido busca combinar el aprendizaje de representaciones de las DNN con las capacidades de toma de decisiones basadas en reglas del gradient boosting.

Resultados Clave
Los modelos fueron evaluados a través de varias configuraciones del sistema, incluyendo ganancia de transmisión de enlace ascendente/descendente, índices MCS y ratios de tiempo de aire, utilizando el Error Relativo Medio (MRE) como la métrica principal.

• Base vs. Regularizado: La DNN regularizada (Modelo 2) superó consistentemente a la DNN base (Modelo 1), reduciendo los errores significativamente (por ejemplo, manteniendo un error <1.5% en la ganancia de transmisión frente al 2.5–5% del modelo base).
• Superioridad Híbrida: El modelo Híbrido DNN–XGBoost (Modelo 3) alcanzó la mayor precisión en todos los parámetros probados. Mantuvo consistentemente un Error Relativo Medio inferior al 0.5%.
  • En el análisis de ganancia de transmisión, el Modelo 3 logró un error máximo de ~0.5%, con errores tan bajos como ~0.1% en regiones críticas de baja ganancia donde otros modelos se degradaron.
  • Para los índices MCS (tanto uplink como downlink), el Modelo 3 demostró errores insignificantes (<0.1% a <0.25%), modelando eficazmente la relación entre la complejidad de la modulación y la demanda de procesamiento de la CPU.
  • Respecto al tiempo de aire (airtime), el Modelo 3 mantuvo errores por debajo del 0.1% en todos los escenarios de carga, evitando los picos de predicción observados en otros modelos bajo condiciones de alto tiempo de aire o cerca de la inactividad (idle).

Significancia y Reivindicaciones
El artículo afirma que los modelos híbridos, específicamente la arquitectura DNN–XGBoost, ofrecen una precisión y estabilidad superiores para predecir el consumo de energía en O-RANs virtualizadas en comparación con las DNN independientes o los modelos analíticos tradicionales. Los autores sostienen que este enfoque captura con éxito la escala no lineal y los cambios discretos en el uso de energía impulsados por el tráfico de ráfagas y configuraciones específicas de la plataforma.

La significancia de este trabajo radica en establecer un benchmark práctico para la predicción de energía basada en IA en sistemas O-RAN. Los autores sugieren que la integración de tales modelos predictivos de alta precisión en las herramientas de gestión de O-RAN puede facilitar estrategias de gestión de energía inteligentes, como el control adaptativo de la potencia de transmisión y la desactivación selectiva de la cadena de radio. El estudio concluye identificando direcciones de investigación futuras, incluyendo la incorporación de la dinámica temporal mediante aprendizaje secuencial y la aplicación de aprendizaje por transferencia (transfer learning) para abordar la escasez de datos, sentando así las bases para redes 5G-Advanced y 6G energéticamente eficientes.