ML-based Predictive Models for Power Consumption in Virtualised O-RANs
यह शोध पत्र वर्चुअलाइज्ड O-RAN में बिजली की खपत का पूर्वानुमान लगाने के लिए मशीन लर्निंग मॉडलों का प्रस्ताव और मूल्यांकन करता है, यह प्रदर्शित करते हुए कि एक हाइब्रिड DNN-XGBoost दृष्टिकोण मानक और रेगुलराइज्ड DNNs की तुलना में बेहतर सटीकता (0.5% से कम त्रुटि) प्राप्त करता है, जिससे अधिक ऊर्जा-कुशल नेटवर्क ऑर्केस्ट्रेशन सक्षम होता है।
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
इंटरनेट की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें जहाँ डेटा ट्रैफ़िक है और सेल टावर ट्रैफिक लाइट हैं। दशकों से, ये ट्रैफिक लाइटें अधिक स्मार्ट होती जा रही हैं, लेकिन वे अधिक भूखी भी होती जा रही हैं। जैसे-जैसे हमारे फोन तेज़ गति और अधिक वीडियो स्ट्रीमिंग की मांग कर रहे हैं, उन्हें शक्ति देने वाले नेटवर्क एक मैराथन धावक की शुगर रश की तरह बिजली का सेवन कर रहे हैं। यह न केवल ग्रह के जलवायु के लिए बुरा है; यह उन कंपनियों के लिए भी एक बहुत बड़ा बिल है जो इन नेटवर्कों को चला रही हैं। इसे ठीक करने के लिए, इंजीनियर इन नेटवर्कों को शुरू से फिर से बनाने की कोशिश कर रहे हैं, जिससे वे "ओपन रेडियो एक्सेस नेटवर्क्स" (या संक्षेप में "O-RANs") नामक लचीले, सॉफ्टवेयर-संचालित सिस्टम में बदल जाएं। O-RAN को एक कठोर, पहले से बने घर को ले जाने और उसे लेगो ब्लॉक्स (Lego blocks) के एक सेट में बदलने के रूप में सोचें जिन्हें मौसम के अनुकूल होने के लिए तुरंत पुनर्व्यवस्थित किया जा सकता है। लेकिन यहाँ पेचीदा हिस्सा यह है: क्योंकि ये लेगो ब्लॉक्स इतनी तेज़ी से अपना आकार बदल सकते हैं, इसलिए यह अनुमान लगाना अविश्वसनीय रूप से कठिन है कि वे किसी भी दिए गए क्षण में कितनी ऊर्जा का उपयोग करेंगे। ऊर्जा उपयोग का अनुमान लगाने के तरीके पुराने तरीकों की तरह हैं जैसे एक स्थिर मानचित्र को देखकर मौसम की भविष्यवाणी करने की कोशिश करना; वे आधुनिक, डिजिटल नेटवर्क के अचानक आने वाले तूफानों और धूप वाले मौसम को नहीं संभाल सकते।
यहीं पर ट्रिनिटी कॉलेज डबलिन के शोधकर्ता एक नए विचार के साथ सामने आते हैं: आइए कंप्यूटर को नेटवर्क की ऊर्जा आदतों के लिए कोई मैनुअल लिखने के बजाय उन्हें सीखना सिखाएं। उन्होंने एक वास्तविक परीक्षण बेड (testbed) स्थापित किया—इस लचीले नेटवर्क का एक लघु, कामकाजी संस्करण—और विभिन्न स्थितियों के तहत इसने वास्तव में कितनी बिजली का उपयोग किया, इसका सटीक माप लिया। फिर उन्होंने तीन अलग-अलग प्रकार के "डिजिटल दिमागों" (मशीन लर्निंग मॉडल) को नेटवर्क की सेटिंग्स को देखने और बिजली के बिल का अनुमान लगाने के लिए प्रशिक्षित किया। पहला दिमाग एक मानक डीप न्यूरल नेटवर्क (DNN) था, जो पैटर्न पहचानने में कुशल एक प्रकार का AI है। दूसरा उसी दिमाग का एक "रेगुलराइज्ड" (regularized) संस्करण था, जिसे बहुत अधिक दिवास्वप्न देखने (ओवरफिटिंग नामक एक समस्या) से रोकने के लिए ट्यून किया गया था। तीसरा एक हाइब्रिड टीम-अप था: DNN एक स्काउट के रूप में कार्य करता था ताकि सबसे महत्वपूर्ण सुराग खोजे जा सकें, और फिर उन सुरागों को एक अलग, बहुत तेज़ निर्णय लेने वाले को सौंप देता था जिसे XGBoost कहा जाता है, ताकि अंतिम अनुमान लगाया जा सके।
परिणाम स्पष्ट थे: वह टीम-अप मुख्य आकर्षण रहा। जबकि मानक और रेगुलराइज्ड दिमागों ने कुछ अच्छे अनुमान लगाए, वे नेटवर्क की स्थितियाँ कठिन होने पर लड़खड़ा गए, और कभी-कभी 5% तक की चूक कर गए। हालाँकि, हाइब्रिड मॉडल अविश्वसनीय रूप से सटीक था, जिसने लगातार 0.5% से कम की त्रुटि दर के साथ बिजली के उपयोग का अनुमान लगाया। वास्तव में, सबसे कठिन परिदृश्यों में, यह केवल लगभग 0.1% से ही अलग था। पेपर सुझाव देता है कि यह हाइब्रिड दृष्टिकोण इन जटिल, वर्चुअलाइज्ड नेटवर्कों में ऊर्जा उपयोग की भविष्यवाणी करने का सबसे विश्वसनीय तरीका है। इस तरह के स्मार्ट प्रेडिक्शन का उपयोग करके, नेटवर्क प्रबंधक इंटरनेट की गति को धीमा किए बिना ऊर्जा बचाने के लिए सिस्टम के अप्रयुक्त हिस्सों को बंद कर सकते हैं या वास्तविक समय में बिजली के स्तर को समायोजित कर सकते हैं। लेखक नोट करते हैं कि हालांकि यह एक मजबूत शुरुआत है, भविष्य के काम में इन मॉडलों को यह समझना शामिल हो सकता है कि ट्रैफ़िक समय के साथ कैसे बदलता है, ठीक वैसे ही जैसे शहर के दैनिक आवागमन के पैटर्न को सीखना, ताकि ऊर्जा की बचत को और भी बेहतर बनाया जा सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।