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

技術要約：仮想化されたO-RANにおける電力消費のための機械学習ベースの予測モデル

問題提起
5Gおよびそれ以降のネットワークの急速な展開により、エネルギー消費の課題が深刻化しています。特に無線アクセスネットワーク（RAN）は、モバイルシステム全体の総エネルギー使用量の70%以上を占めています。EARTHモデルのような従来の解析的電力モデルは、ますます不適切になりつつあります。これらのレガシーモデルは、線形構造やハードウェアに依存しないパラメータに依存しており、仮想化環境の複雑で非線形なダイナミクスを捉えることができません。具体的には、機能分割（functional splits）、アクセラレータのヘテロジェニティ、離散的なエネルギー状態、リアルタイムスケジューラのバーストといった、O-RAN特有の要因を考慮することができません。その結果、エネルギー効率の高いネットワークオーケストレーションを可能にするために、分散化されソフトウェア定義されたO-RANアーキテクチャにおいて、電力消費を正確に予測できるデータ駆動型のアプローチに対する切実なニーズが存在します。

手法
著者らは、ハードウェア計測されたO-RANテストベッドから収集されたデータセットを用い、機械学習（ML）技術、特にディープニューラルネットワーク（DNN）の有効性を調査しています。実験セットアップでは、Dockerコンテナ化されたx86サーバー上で動作する仮想化O-RANシステムを使用し、Radio Unit（RU）はUSRP B210を介して実装され、Distributed Unit（DU）およびCentralized Unit（CU）は仮想化関数として実装されています。電力消費は、GW-Instek製パワーメーターを用いてグローバルに測定されます。

本研究では、厳格なデータ前処理およびモデリングパイプラインを採用しています：

1. 特徴量エンジニアリング: 置換特徴量重要度（Permutation feature importance）分析により、伝送利得（transmission gain）、変調・符号化方式（MCS）、およびエアタイム（airtime）が電力消費の主要な予測因子であることが特定されました。
2. データセットの分割: データリークを防ぎ、堅牢な評価を確保するために、データセットは構成パラメータ（例：利得、MCS）ごとにグループ化された上で、トレーニング（80%）、検証（10%）、テスト（20%）のサブセットに分割されました。
3. モデル開発: 以下の3つの異なるアーキテクチャが設計・評価されました：
   • モデル1（ベースラインDNN）: ReLU活性化関数とAdam最適化を用いた、3つの隠れ層（64-64-32ニューロン）を持つ標準的なフィードフォワードニューラルネットワーク。
   • モデル2（正則化DNN）: 過学習を抑制し学習を安定させるために、ドロップアウト（p=0.3）、L2正則化（重み減衰 λ=0.01）、およびバッチ正規化を組み込んだ拡張アーキテクチャ。
   • モデル3（ハイブリッドDNN–XGBoost）: DNNが特徴抽出器として機能する2段階のパイプライン。DNNは入力特徴量を16次元の潜在空間（ボトルネック層）へと圧縮し、それがXGBoost回帰器への入力となります。このハイブリッドアプローチは、DNNの表現学習能力と、勾配ブースティングのルールベースの意思決定能力を組み合わせることを目的としています。

主な結果
モデルは、伝送利得（アップリンク/ダウンリンク）、MCSインデックス、およびエアタイム比を含む様々なシステム構成に対して、平均相対誤差（MRE）を主要な指標として評価されました。

• ベースライン vs. 正則化: 正則化されたDNN（モデル2）はベースライン（モデル1）を一貫して上回り、誤差を大幅に減少させました（例：ベースラインが2.5～5%の誤差を示したのに対し、伝送利得に対して1.5%未満の誤差を維持）。
• ハイブリッドの優位性: ハイブリッドDNN–XGBoostモデル（モデル3）は、テストされたすべてのパラメータにおいて最高の精度を達成しました。モデル3は、平均相対誤差を一貫して0.5%未満に抑えました。
  • 伝送利得の分析において、モデル3は最大誤差約0.5%を達成し、他のモデルが劣化する重要な低利得領域では約0.1%という極めて低い誤差を実現しました。
  • MCSインデックス（アップリンクおよびダウンリンクの両方）に関して、モデル3は無視できるほどの誤差（<0.1%から<0.25%）を示し、変調の複雑さとCPU処理需要の関係を効果的にモデリングしました。
  • エアタイムに関しては、モデル3はすべての負荷シナリオにおいて0.1%未満の誤差を維持し、高エアタイムまたはアイドルに近い条件下で他のモデルに見られた予測スパイクを回避しました。

意義および主張
本論文は、ハイブリッドモデル、特にDNN–XGBoostアーキテクチャが、スタンドアロンのDNNや従来の解析モデルと比較して、仮想化されたO-RANにおける電力消費予測において優れた精度と安定性を提供することを主張しています。著者らは、このアプローチが、バースト的なトラフィックや特定のプラットフォーム構成によって引き起こされる非線形なスケーリングと離散的なエネルギーシフトを、正常に捉えることができると断言しています。

本研究の意義は、AIベースのエネルギー予測における実用的なベンチマークを確立したことにあります。著者らは、このような高精度な予測モデルをO-RAN管理ツールに統合することで、適応的な伝送電力制御や選択的な無線チェーンの停止といった、インテリジェントなエネルギー管理戦略を促進できると考えています。本研究は、時系列ダイナミクスを取り入れるための逐次学習や、データの不足に対処するための転移学習の適用を含む将来の研究方向を特定することで、エネルギー効率の高い5G-Advancedおよび6th世代（6G）ネットワークへの基礎を築くものとして結論付けています。