💻 computer science

Efficient Self-Learning and Model Versioning for AI-native O-RAN Edge

यह शोध पत्र AI-नेटिव O-RAN एज नेटवर्क के लिए एक स्व-शिक्षण ढांचे का प्रस्ताव करता है जो एक केंद्रीकृत रिपॉजिटरी और RL-संचालित निर्णय लेने की प्रक्रिया का उपयोग करके विषम डोमेन और नियंत्रण लूपों में कुशल मॉडल संस्करणिंग और परिनियोजन को स्वचालित करता है ताकि मॉडल सटीकता, सिस्टम स्थिरता और कम-विलंबता सेवा आवश्यकताओं के बीच संतुलन बनाया जा सके।

मूल लेखक: Mounir Bensalem, Fin Gentzen, Tuck-Wai Choong, Yu-Chiao Jhuang, Admela Jukan, Jenq-Shiou Leu

प्रकाशित 2026-01-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mounir Bensalem, Fin Gentzen, Tuck-Wai Choong, Yu-Chiao Jhuang, Admela Jukan, Jenq-Shiou Leu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

भविष्य के मोबाइल नेटवर्क (6G) की कल्पना एक विशाल, स्व-चालित (self-driving) शहर के रूप में करें। इस शहर में, हजारों छोटे "ट्रैफिक पुलिसकर्मी" (AI मॉडल) लगातार पलक झपकते ही निर्णय ले रहे हैं ताकि डेटा का प्रवाह सुचारू रूप से बना रहे, जैसे कि कारों को निर्देशित करना, ट्रैफिक लाइट प्रबंधित करना और दुर्घटनाओं के आसपास रास्ता बदलना। ये ट्रैफिक पुलिसकर्मी एक पदानुक्रम (hierarchy) में रहते हैं: कुछ बिल्कुल सड़क स्तर पर (Cell Sites), कुछ पड़ोस के स्टेशनों में (Edge), कुछ नगर निगमों में (Regional), और कुछ राष्ट्रीय राजधानी में (Central Cloud)।

समस्या जिसका यह शोध पत्र समाधान करता है वह यह है: आप हजारों ट्रैफिक पुलिसकर्मियों को बिना पूरे शहर में ट्रैफिक जाम किए, अपडेटेड कैसे रख सकते हैं?

अभी, यदि एक ट्रैफिक पुलिसकर्मी कारों को निर्देशित करने का एक नया और बेहतर तरीका सीखता है, तो अक्सर नेटवर्क ऑपरेटरों को उन्हें मैन्युअल रूप से स्विच करने के लिए कहना पड़ता है। यह धीमा, अव्यवस्थित और जोखिम भरा है। यदि आप एक साथ बहुत अधिक पुलिसकर्मियों को बदलते हैं, या गलत पुलिसकर्मियों को बदलते हैं, तो पूरा सिस्टम क्रैश हो सकता है या अस्थिर हो सकता है।

समाधान: एक लाइब्रेरी के साथ एक "स्मार्ट सुपरवाइजर"

लेखक एक नया सिस्टम प्रस्तावित करते हैं जिसे सेल्फ-लर्निंग फ्रेमवर्क कहा जाता है। इसे इन ट्रैफिक पुलिसकर्मियों के लिए नियमपुस्तिकाओं (rulebooks) की एक विशाल लाइब्रेरी का प्रबंधन करने वाले एक अत्यधिक बुद्धिमान सुपरवाइजर के रूप में समझें।

यह इस प्रकार काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. लाइब्रेरी (वर्जन रिपॉजिटरी)
सेंट्रल क्लाउड में, नए "नियमों" (AI मॉडल) को लगातार लिखा और टेस्ट किया जा रहा है। जब भी एक नया वर्जन बनाया जाता है, उसे एक लेबल दिया जाता है (जैसे "वर्जन 1.0" या "वर्जन 2.5") और एक विस्तृत रिपोर्ट कार्ड दिया जाता है। इस रिपोर्ट कार्ड में शामिल है:

सटीकता (Accuracy): यह नियमपुस्तिका ट्रैफिक निर्देशित करने में कितनी अच्छी है?
स्थिरता (Stability): क्या इस नियमपुस्तिका का पालन करने से पुलिसकर्मी घबरा सकता है या फ्रीज हो सकता है?
सुरक्षा (Security): क्या यह नियमपुस्तिका हैकर्स से सुरक्षित है?
आकार (Size): यह कितनी मेमोरी लेता है?
इन सभी नियमपुस्तिकाओं को एक साझा डिजिटल लाइब्रेरी में संग्रहीत किया जाता है।

2. स्मार्ट सुपरवाइजर (अपडेट मैनेजर)
यह ऑपरेशन का मस्तिष्क है। हर ट्रैफिक पुलिसकर्मी को नवीनतम किताब उठाने के लिए अंधाधुंध आदेश देने के बजाय, सुपरवाइजर शहर पर नज़र रखता है। वह पूछता है:

"क्या वर्तमान नियमपुस्तिका ठीक से काम कर रही है?"
"क्या नई नियमपुस्तिका वास्तव में बेहतर है, या केवल थोड़ी अलग है?"
"यदि हम अभी नियमपुस्तिका को बदलते हैं, तो क्या इससे देरी होगी जिससे कारें बहुत देर तक प्रतीक्षा करेंगी?"
सुपरवाइजर एक रिनफोर्समेंट लर्निंग (RL) एजेंट का उपयोग करता है। आप इसे एक वीडियो गेम प्लेयर के रूप में देख सकते हैं जो परीक्षण और त्रुटि (trial and error) के माध्यम से सीखता है। यह नियमपुस्तिकाओं को बदलने की विभिन्न रणनीतियों को आज़माता है। यदि किसी बदलाव के कारण ट्रैफिक जाम (उच्च विलंबता/delay) होता है, तो यह उससे बचने के लिए सीखता है। यदि कोई बदलाव बिना क्रैश हुए ट्रैफिक के प्रवाह को तेज़ बनाता है, तो यह इसे अधिक बार करने के लिए सीखता है।

3. डिलीवरी ट्रक (कंटेनर ऑर्केस्ट्रेटर)
एक बार जब सुपरवाइजर तय कर लेता है कि नियमपुस्तिका को बदलना सुरक्षित और स्मार्ट है, तो डिलीवरी ट्रक (एक सॉफ्टवेयर टूल) चुपचाप विशिष्ट ट्रैफिक पुलिसकर्मी के पास जाता है, किताब को बदल देता है, और सुनिश्चित करता है कि पुलिसकर्मी कारों के प्रवाह को रोके बिना काम करने के लिए तैयार है।

तीन प्रकार के ट्रैफिक पुलिसकर्मी (dApps, xApps, rApps)

शोध पत्र बताता है कि सभी ट्रैफिक पुलिसकर्मी एक जैसे नहीं होते, और उन्हें अलग-अलग उपचार की आवश्यकता होती है:

सड़क-स्तर के पुलिसकर्मी (dApps): ये मिलीसेकंड (10ms से कम) में निर्णय लेते हैं। ये अत्यंत तेज़ होते हैं। शोध पत्र में पाया गया कि इनके लिए, स्मार्ट सुपरवाइजर बहुत सावधान रहता है। यह अक्सर तुरंत अपडेट करने का निर्णय नहीं लेता है, भले ही एक नई नियमपुस्तिका थोड़ी अधिक सटीक क्यों न हो। क्यों? क्योंकि एक छोटी सी देरी के कारण क्रैश होने का जोखिम बहुत अधिक है। यहाँ पूर्णता से अधिक स्थिरता महत्वपूर्ण है।
पड़ोस के पुलिसकर्मी (xApps): ये सेकंडों (10ms से 1s) में काम करते हैं। सुपरवाइजर जब सुरक्षित हो, तब इन्हें अपडेट करने के लिए अधिक इच्छुक होता है।
नगर निगम के पुलिसकर्मी (rApps): ये लंबे समय (1 सेकंड से अधिक) पर काम करते हैं। सुपरवाइजर सर्वोत्तम सटीकता प्राप्त करने के लिए इन्हें अधिक बार अपडेट करता है, क्योंकि उनके पास बदलाव को आत्मसात करने के लिए अधिक समय होता है।

सिमुलेशन ने क्या दिखाया

शोधकर्ताओं ने इस विचार का परीक्षण करने के लिए इस शहर का एक कंप्यूटर सिमुलेशन चलाया। उन्होंने अपने "स्मार्ट सुपरवाइजर" की तुलना चार अन्य विधियों से की:

हमेशा अपडेट करें (Always Update): जैसे ही कोई नया वर्जन मौजूद हो, तुरंत किताब बदल दें।
कभी अपडेट न करें (Never Update): पुरानी किताबों को हमेशा के लिए रखें।
रैंडम अपडेट (Random Update): सिक्का उछालकर निर्णय लें।
लोड-आधारित अपडेट (Load-Based Update): केवल तभी बदलें जब कंप्यूटर व्यस्त न हो।

परिणाम:

हमेशा अपडेट करने से उच्चतम सटीकता (सर्वश्रेष्ठ ट्रैफिक नियम) मिली लेकिन इसने सबसे अधिक अस्थिरता और देरी पैदा की क्योंकि यह बहुत आक्रामक था।
कभी अपडेट न करने से सबसे अधिक स्थिरता मिली लेकिन सबसे कम सटीकता (ट्रैफिक नियम पुराने थे)।
स्मार्ट सुपरवाइजर (RL) ने एकदम सही संतुलन खोज लिया। इसने सीखा कि तेज़ सड़क-स्तर के पुलिसकर्मियों के साथ सावधान रहना है (स्थिरता को प्राथमिकता देना) लेकिन धीमे नगर निगम के पुलिसकर्मियों के साथ आक्रामक होना है (सटीकता को प्राथमिकता देना)।

मुख्य निष्कर्ष

यह शोध पत्र 6G नेटवर्क में AI मॉडल को अपडेट करने के जटिल काम को स्वचालित करने वाला एक सिस्टम प्रस्तुत करता है। एक इंसान द्वारा मैन्युअल रूप से यह तय करने के बजाय कि सॉफ्टवेयर कब बदलना है, एक स्मार्ट, स्व-शिक्षण प्रणाली नेटवर्क पर नज़र रखती है, जोखिमों को तौलती है, और AI मॉडल को तभी अपडेट करती है जब यह सुरक्षित हो। यह सुनिश्चित करता है कि नेटवर्क तेज़, स्थिर और सुरक्षित रहे, भले ही वह लगातार सीख रहा हो और सुधार कर रहा हो।

तकनीकी सारांश: AI-नेटिव O-RAN एज के लिए कुशल स्व-शिक्षण और मॉडल वर्जनिंग

1. समस्या विवरण

AI-नेटिव 6G नेटवर्क की ओर संक्रमण वास्तविक समय के रेडियो नेटवर्क अनुकूलन को चलाने के लिए हजारों मशीन लर्निंग (ML) मॉडलों के निरंतर प्रशिक्षण, परिनियोजन (deployment) और परिशोधन की आवश्यकता को अनिवार्य बनाता है। जबकि Open RAN (O-RAN) आर्किटेक्चर आवश्यक खुले इंटरफेस और इंटेलिजेंट कंट्रोल प्लेन (SMO/RIC) प्रदान करता है, इसमें वर्तमान में इन मॉडलों के जीवन-चक्र प्रबंधन (life-cycle management) के लिए कोई मानकीकृत तंत्र का अभाव है।

ऑपरेटर वर्तमान में तदर्थ (ad-hoc), मैनुअल अपडेट प्रथाओं पर निर्भर हैं जो विषम, बहु-स्तरीय O-RAN स्टैक (सेल-साइट, एज, रीजनल और सेंट्रल क्लाउड) और तीन विशिष्ट कंट्रोल लूप्स (रियल-टाइम, नियर-रियल-टाइम, और नॉन-रियल-टाइम) में स्केल करने में विफल रहते हैं। यह अंतराल महत्वपूर्ण परिचालन जोखिम पैदा करता है:

स्केलेबिलिटी संबंधी मुद्दे: मैनुअल अपडेट उन rApps, xApps और dApps के वॉल्यूम को संभालने में सक्षम नहीं हैं जिनकी 6G के लिए कल्पना की गई है।
ट्रेड-ऑफ संघर्ष: बार-बार अपडेट करने से सटीकता में सुधार होता है लेकिन इससे सिस्टम अस्थिरता, सुरक्षा कमजोरियां और रिसोर्स स्पाइक्स जैसे खतरे उत्पन्न होते हैं। इसके विपरीत, कम बार अपडेट करने से मॉडल अत्याधुनिक प्रदर्शन (state-of-the-art performance) से पीछे रह जाते हैं।
लेटेंसी बाधाएं: गतिशील रेडियो वातावरण में जहाँ ट्रैफिक पैटर्न तेजी से बदलते हैं, नए मॉडलों को रोल आउट करने में होने वाला विलंब 'क्वालिटी ऑफ सर्विस' (QoS) को खराब कर सकता है।

एक स्वचालित, एंड-टू-एंड फ्रेमवर्क की तत्काल आवश्यकता है जो क्लाउड-आधारित प्रशिक्षण को वितरित एज इन्फरेंस (distributed edge inference) के साथ एकीकृत करे और सटीकता, विश्वसनीयता, सुरक्षा और स्थिरता के बीच के ट्रेड-ऑफ को स्पष्ट रूप से प्रबंधित करे।

2. कार्यप्रणाली और प्रस्तावित फ्रेमवर्क

यह शोध पत्र एक AI-नेटिव O-RAN एज में कुशल क्लोज्ड-लूप वर्जन प्रबंधन के लिए एक स्व-शिक्षण फ्रेमवर्क (self-learning framework) का प्रस्ताव करता है। समाधान एक पदानुक्रमित (hierarchical) आर्किटेक्चर के साथ एक सुदृढीकरण शिक्षण (Reinforcement Learning - RL) संचालित निर्णय लेने वाले इंजन को एकीकृत करता है।

A. संदर्भ आर्किटेक्चर (Reference Architecture)

फ्रेमवर्क O-RAN विनिर्देशों का पालन करता है और चार परतों में फैला हुआ है:

सेल-साइट लेयर: RF प्रोसेसिंग (O-RU) को संभालती है।
एज-क्लाउड लेयर: O-DU और O-CU कार्यों को होस्ट करती है।
रीजनल-क्लाउड लेयर: नियर-रियल-टाइम RIC (xApps, 10ms–1s लूप्स चलाने के लिए) को होस्ट करती है।
सेंट्रल-क्लाउड लेयर: नॉन-रियल-टाइम RIC (rApps, >1s लूप्स चलाने के लिए) और SMO सेवाओं को होस्ट करती है।
नोट: यह आर्किटेक्चर सब-10ms निर्णय लेने के लिए CU/DU नोड्स के भीतर एम्बेडेड dApps को भी समायोजित करता है।

B. ML अपडेट मैनेजर

एक केंद्रीय घटक, अपडेट मैनेजर, मॉडल अपडेट का समन्वय करता है। इसमें शामिल हैं:

टेलीमेट्री (Telemetry): निरंतर परिचालन डेटा कैप्चर करती है, जिसमें नया मॉडल उपलब्धता और रिसोर्स उपयोग शामिल है।
नॉलेज बेस (वर्जन रिपॉजिटरी): प्रत्येक मॉडल रिलीज को उसके रिसोर्स फुटप्रिंट, सटीकता, सुरक्षा स्कोर और स्थिरता के मेटाडेटा के साथ संग्रहीत करता है।
अपडेट एजेंट: एक बुद्धिमान निर्णय-निर्माता जो यह मूल्यांकन करता है कि क्या एक नए मॉडल वर्जन को प्रोडक्शन में प्रमोट किया जाए। यह एक नए वर्जन के लाभों (उच्च सटीकता) बनाम लागतों (अस्थिरता, सुरक्षा जोखिम, रिसोर्स स्पाइक्स और स्पॉन लेटेंसी) को तौलता है।
कंटेनर ऑर्केस्ट्रेटर: विषम वर्कर नोड्स पर परिनियोजन निर्णयों को निष्पादित करता है, और मॉडल कंटेनरों के जीवनचक्र का प्रबंधन करता है।

C. RL-आधारित अनुकूलन सूत्रीकरण (Optimization Formulation)

मुख्य योगदान मॉडल वर्जनिंग समस्या (MMV) को एक बहु-उद्देश्यीय अनुकूलन समस्या के रूप में तैयार करना है जिसे सुदृढीकरण शिक्षण (RL) के माध्यम से हल किया जाता है।

उद्देश्य: औसत मॉडल सटीकता ( $O_2$ ) और स्थिरता ( $O_3$ ) को अधिकतम करना जबकि औसत विलंब ( $O_1$ ) को न्यूनतम करना।
बाधाएं (Constraints): सभी नोड्स पर CPU, RAM और डिस्क क्षमता की सीमाएं।
स्टेट स्पेस ( $S$ ): इसमें नोड क्षमता स्थिति ( $Z_k$ ), क्यू साइज ( $Q_k$ ), और वर्तमान मॉडल वर्जन ( $f_k$ ) शामिल हैं।
एक्शन स्पेस ( $A$ ): मॉडल वर्जन को अपडेट करने ( $a=1$ ) या वर्तमान वर्जन को बनाए रखने ( $a=0$ ) का बाइनरी निर्णय।
रिवॉर्ड फंक्शन ( $R$ ): विलंब, स्थिरता और सटीकता का एक भारित (weighted) संयोजन:
$R(s, a) = -(1 - \alpha)(w_1 \psi + w_2 \sigma) + \alpha w_3 \upsilon$
जहाँ $\psi$ विलंब है, $\sigma$ अस्थिरता है, और $\upsilon$ सटीकता है। एजेंट इन प्रतिस्पर्धी उद्देश्यों को संतुलित करना सीखता है।

3. प्रमुख योगदान

प्रथम एंड-टू-एंड फ्रेमवर्क: यह पेपर पहला ऐसा फ्रेमवर्क प्रस्तुत करता है जो क्लाउड-आधारित प्रशिक्षण को मल्टी-लेयर O-RAN इन्फरेंस के साथ एकीकृत करता है, जो स्पष्ट रूप से पूरे O-RAN स्टैक (सेल-साइट से सेंट्रल क्लाउड तक) और सभी तीन कंट्रोल लूप्स को संबोधित करता है।
स्व-शिक्षण वर्जनिंग पॉलिसी: यह एक RL-संचालित नीति पेश करता है जो स्वायत्त रूप से यह तय करती है कि नए मॉडल वर्जन को कब और कहाँ तैनात किया जाए, जो मैनुअल या ह्यूरिस्टिक दृष्टिकोणों को प्रतिस्थापित करती है।
बहु-उद्देश्यीय अनुकूलन: समाधान विशेष रूप से मॉडल प्रदर्शन पर ध्यान केंद्रित करने के बजाय, सटीकता, विश्वसनीयता, सुरक्षा और सिस्टम स्थिरता जैसे जटिल मेट्रिक्स के लिए अनुकूलित होता है।
व्यावहारिक कार्यान्वयन: डिजाइन में एक व्यावहारिक वर्कफ़्लो शामिल है जहाँ सेंट्रल/रीजनल क्लाउड में ट्रेनिंग पाइपलाइन्स कैंडिडेट जेनरेट करती हैं, जिन्हें फिर रियल-टाइम टेलीमेट्री के आधार पर अपडेट मैनेजर द्वारा चुनिंदा रूप से प्रमोट किया जाता है।

4. संख्यात्मक परिणाम

लेखकों ने छह ML मॉडलों (जो dApps, xApps और rApps का प्रतिनिधित्व करते हैं) का उपयोग करके एक इवेंट-आधारित सिम्युलेटर के माध्यम से अपने फ्रेमवर्क का मूल्यांकन किया। RL-आधारित रणनीति की तुलना चार बेसलाइन्स से की गई: "ऑलवेज अपडेट" (Always Update), "नेवर अपडेट" (Never Update), "रैंडम अपडेट" (Random Update), और "सर्वर लोड-आधारित अपडेट" (Server Load-based Update)।

विलंब प्रदर्शन (Delay Performance):
- dApps (लेटेंसी-सेंसिटिव, <10ms) के लिए, RL रणनीति ने "नेवर अपडेट" और "लोड-आधारित" रणनीतियों के समान मीडियन डिले (~10-12ms) प्राप्त किया, जिससे "ऑलवेज अपडेट" रणनीति के कारण होने वाले उच्च वेरिएंस से बचा जा सका।
- xApps और rApps के लिए, RL रणनीति ने प्रतिस्पर्धी विलंब बनाए रखा, और अक्सर "नेवर अपडेट" बेसलाइन से बेहतर प्रदर्शन किया।
सटीकता बनाम स्थिरता का ट्रेड-ऑफ:
- "ऑलवेज अपडेट" रणनीति उच्चतम सटीकता लेकिन सबसे कम स्थिरता प्रदान करती है।
- "नेवर अपडेट" रणनीति अधिकतम स्थिरता लेकिन सबसे कम सटीकता प्रदान करती है।
- RL रणनीति: इसने अनुकूलन व्यवहार (adaptive behavior) प्रदर्शित किया। dApps के लिए, RL एजेंट ने सख्त विलंब बाधाओं को बनाए रखने के लिए मामूली सटीकता लाभ के ऊपर स्थिरता को प्राथमिकता दी। xApps और rApps के लिए, जहाँ विलंब की बाधाएं कम सख्त हैं, RL एजेंट ने "लोड-आधारित" और "रैंडम" रणनीतियों की तुलना में उच्च सटीकता मान प्राप्त करने के लिए सफलतापूर्वक मॉडल अपडेट किए।
परिणामों से निष्कर्ष: RL पॉलिसी प्रभावी ढंग से नेटवर्क उपयोगिता और सेवा निरंतरता को संतुलित करना सीखती है, जिससे विघटनकारी रोल-आउट का जोखिम कम होता है और यह सुनिश्चित होता है कि मॉडल प्रभावी बने रहें।

5. महत्व और दावे

यह पेपर एक महत्वपूर्ण, खुले मुद्दे को संबोधित करने का दावा करता है: वर्तमान O-RAN परिनियोजन में ML मॉडलों के लिए एक स्केलेबल, स्वचालित जीवन-चक्र प्रबंधन प्रणाली का अभाव।

महत्व: यह कार्य सैद्धांतिक AI-नेटिव विजन और व्यावहारिक परिचालन वास्तविकताओं के बीच के अंतर को पाटता है। यह प्रदर्शित करता है कि भविष्य के SMO/RIC प्लेटफॉर्म के लिए जटिल 6G नेटवर्क को प्रबंधित करने के लिए एक क्लोज्ड-लूप, टेलीमेट्री-ड्रिवन दृष्टिकोण आवश्यक है।
मामूली दावे: लेखक इसे एक बुनियादी कदम के रूप में देखते हैं। वे स्वीकार करते हैं कि हालांकि सिमुलेशन परिणाम आशाजनक हैं, फ्रेमवर्क विशिष्ट धारणाओं (जैसे, ज्ञात ट्रांसमिशन समय, विशिष्ट रिवॉर्ड वेट्स) पर निर्भर करता है। पेपर इस बात की पहचान करते हुए समाप्त होता है कि टेस्टबेड वैलिडेशन और सुरक्षा-जागरूक रिवॉर्ड डिज़ाइन आवश्यक भविष्य के कार्य हैं, जो यह दर्शाता है कि वर्तमान योगदान एक स्केलेबल प्रबंधन आर्किटेक्चर के लिए एक सिमुलेशन-आधारित प्रूफ ऑफ कॉन्सेप्ट है।

संक्षेप में, यह पेपर तर्क देता है कि कुशल, स्व-शिक्षण मॉडल वर्जनिंग केवल एक अनुकूलन कार्य नहीं है, बल्कि स्वायत्त, AI-नेटिव 6G नेटवर्क की प्राप्ति के लिए एक पूर्व शर्त है, जो ऑपरेटरों को सिस्टम स्थिरता से समझौता किए बिना उच्च प्रदर्शन बनाए रखने में सक्षम बनाती है।