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

Sintesi Tecnica: Modelli Predittivi basati su ML per il Consumo di Energia in O-RAN Virtualizzate

Problematica
La rapida diffusione delle reti 5G e oltre ha intensificato le sfide relative al consumo energetico, in particolare all'interno delle Radio Access Networks (RAN), che rappresentano oltre il 70% del consumo energetico totale dei sistemi mobili. I modelli analitici di potenza tradizionali, come il modello EARTH, sono sempre più inadeguati per le Open Radio Access Networks (O-RAN). Questi modelli legacy si affidano a strutture lineari e parametri indipendenti dall'hardware che non riescono a catturare la complessa dinamica non lineare degli ambienti virtualizzati. Nello specifico, non possono tenere conto di fattori tipici delle O-RAN, come gli split funzionali, l'eterogeneità degli acceleratori, gli stati energetici discreti e i burst dello scheduler in tempo reale. Di conseguenza, esiste una critica necessità di approcci basati sui dati capaci di prevedere accuratamente il consumo di potenza in architetture O-RAN disaggregate e software-defined, al fine di abilitare un'orchestrazione energeticamente efficiente della rete.

Metodologia
Gli autori investigano l'efficacia delle tecniche di machine learning (ML), nello specifico delle Reti Neurali Profonde (DNN), utilizzando un dataset raccolto da un testbed O-RAN strumentato via hardware. L'allestimento sperimentale prevede un sistema O-RAN virtualizzato in esecuzione su un server commodity x86 con containerizzazione Docker, dove la Radio Unit (RU) è implementata tramite un USRP B210, e le funzioni Distributed Unit (DU) e Centralized Unit (CU) sono virtualizzate. Il consumo di potenza è misurato globalmente tramite un misuratore di potenza GW-Instek.

Lo studio impiega una rigorosa pipeline di pre-elaborazione dei dati e modellazione:

1. Ingegneria delle Caratteristiche (Feature Engineering): L'analisi dell'importanza delle caratteristiche tramite permutazione identifica il guadagno di trasmissione, gli schemi di modulazione e codifica (MCS) e l'airtime come i principali predittori del consumo di potenza.
2. Partizionamento del Dataset: Per prevenire la fuga di dati (data leakage) e garantire una valutazione robusta, il dataset viene raggruppato per parametri di configurazione (es. guadagno, MCS) prima di essere suddiviso in sottoinsiemi di addestramento (80%), validazione (10%) e test (20%).
3. Sviluppo del Modello: Tre distinte architetture sono state progettate e valutate:
   • Modello 1 (Baseline DNN): Una rete neurale feedforward standard con tre strati nascosti (64-64-32 neuroni) che utilizza l'attivazione ReLU e l'ottimizzazione Adam.
   • Modello 2 (Regularized DNN): Un'architettura potenziata che incorpora dropout (p=0.3), regolarizzazione L2 (weight decay λ=0.01) e batch normalization per mitigare l'overfitting e stabilizzare l'addestramento.
   • Modello 3 (Hybrid DNN–XGBoost): Una pipeline a due stadi in cui una DNN funge da estrattore di caratteristiche. La DNN comprime le caratteristiche di input in uno spazio latente a 16 dimensioni (bottleneck layer), che funge da input per un regressore XGBoost. Questo approccio ibrido mira a combinare l'apprendimento delle rappresentazioni delle DNN con le capacità decisionali basate su regole del gradient boosting.

Risultati Chiave
I modelli sono stati valutati attraverso varie configurazioni di sistema, inclusi il guadagno di trasmissione uplink/downlink, gli indici MCS e i rapporti di airtime, utilizzando l'Errore Relativo Medio (MRE) come metrica principale.

• Baseline vs. Regularized: La DNN regolarizzata (Modello 2) ha superato costantemente la baseline (Modello 1), riducendo significativamente gli errori (ad esempio, mantenendo un errore <1,5% attraverso i guadagni di trasmissione rispetto al 2,5–5% della baseline).
• Superiorità dell'Ibrido: Il modello Hybrid DNN–XGBoost (Modello 3) ha raggiunto la massima accuratezza in tutti i parametri testati. Ha mantenuto costantemente un Errore Relativo Medio inferiore allo 0,5%.
  • Nell'analisi del guadagno di trasmissione, il Modello 3 ha ottenuto un errore massimo di circa lo 0,5%, con errori scesi fino a circa lo 0,1% nelle regioni critiche a basso guadagno dove gli altri modelli degradavano.
  • Per gli indici MCS (sia uplink che downlink), il Modello 3 ha dimostrato errori trascurabili (<0,1% a <0,25%), modellando efficacemente la relazione tra la complessità della modulazione e la richiesta di elaborazione della CPU.
  • Riguardo all'airtime, il Modello 3 ha mantenuto errori inferiori allo 0,1% in tutti gli scenari di carico, evitando i picchi di previsione osservati negli altri modelli in condizioni di alto airtime o vicino all'idle.

Significatività e Claim
L'articolo sostiene che i modelli ibridi, specificamente l'architettura DNN–XGBoost, offrono un'accuratezza e una stabilità superiori nella previsione del consumo di potenza nelle O-RAN virtualizzate rispetto alle DNN standalone o ai modelli analitici tradizionali. Gli autori affermano che questo approccio riesce a catturare la scalabilità non lineare e i cambiamenti discreti nell'uso energetico guidati da traffico bursty e specifiche configurazioni di piattaforma.

La significatività di questo lavoro risiede nel stabilire un benchmark pratico per la previsione energetica basata su IA nei sistemi O-RAN. Gli autori suggeriscono che l'integrazione di tali modelli predittivi ad alta accuratezza negli strumenti di gestione O-RAN possa facilitare strategie di gestione energetica intelligente, come il controllo adattivo della potenza di trasmissione e la deattivazione selettiva delle catene radio. Lo studio conclude identificando direzioni di ricerca future, tra cui l'incorporazione della dinamica temporale tramite l'apprendimento sequenziale e l'applicazione del transfer learning per affrontare la scarsità di dati, ponendo così le basi per reti 5G-Advanced e 6G energeticamente efficienti.