⚡ electrical engineering

Disaggregated multi-domain interference classification for O-RAN

Dit paper introduceert een gedistribueerde, multi-domein architectuur voor O-RAN die Cross-Technology Interference-classificatie realiseert met een 9x lagere latentie en 11x lagere rekentijd dan bestaande monolithische oplossingen, terwijl de classificatieprestaties slechts met 4% dalen.

Oorspronkelijke auteurs: Dieter Verbruggen, Hazem Sallouha, Sofie Pollin

Gepubliceerd 2026-04-14

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Dieter Verbruggen, Hazem Sallouha, Sofie Pollin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat het radiospectrum (de "lucht" waar draadloze signalen doorheen reizen) een enorm drukke luchthaven is. Vroeger had elke vliegtuigmaatschappij (zoals 5G, WiFi, Radar) zijn eigen, gescheiden baan. Maar nu, omdat we steeds meer data nodig hebben, moeten ze allemaal op dezelfde banen vliegen. Dit zorgt voor chaos: signalen botsen op elkaar, wat we interferentie noemen.

In de nieuwe wereld van O-RAN (een moderne, flexibele manier om mobiele netwerken op te bouwen), moeten we deze chaos in real-time oplossen. Het probleem? De huidige methoden om te zien wat er gebeurt, zijn als een gigantische, zware vrachtwagen die te traag is om een ongeluk te voorkomen. Ze zijn te complex en te langzaam.

De auteurs van dit paper, Dieter, Hazem en Sofie, hebben een slimme oplossing bedacht die ze OSIRIS noemen. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Grote Broer" vs. De "Gespecialiseerde Team"

Stel je voor dat je een misdaad moet oplossen.

De oude methode (Monolithisch): Je stuurt één superdetective (een zware computer) naar de plaats delict. Hij moet alles zelf doen: de getuigen horen, de vingerafdrukken nemen en de foto's analyseren. Dit kost veel tijd en energie.
De OSIRIS-methode (Gedistribueerd): Ze splitsen het werk op in een team van gespecialisten die op verschillende plekken werken, maar samenwerken.
- De O-RU (Radio Unit): Dit is de "oog" aan de basis. Hij kijkt naar het signaal in de tijd (hoe snel het pulst).
- De O-DU (Distributed Unit): Dit is het "brein" verderop. Hij kijkt naar het signaal in de frequentie (welke toonhoogtes er zijn) en de CSI (hoe het signaal door de lucht is vervormd).

In plaats van één zware detective, hebben ze nu drie lichte specialisten die elk hun eigen stukje van de puzzel oplossen en die stukjes dan samenvoegen.

2. Waarom is dit zo slim? (De Analogie van de Koffie)

Stel je voor dat je een kop koffie moet proeven om te zeggen of er suiker, melk of cacaopoeder in zit.

Als je de koffie eerst volledig moet verdampen, chemisch analyseren en dan pas proeven (de oude methode), duurt het te lang.
OSIRIS doet het zo:
- De ene persoon ruikt direct aan de damp (Tijd-domein).
- De andere kijkt naar de kleur (Frequentie-domein).
- De derde voelt de temperatuur (CSI-domein).
- Ze roepen direct: "Het ruikt naar cacao, het is bruin en heet!" -> Conclusie: Het is cacao.

Dit gaat veel sneller omdat ze niet hoeven te wachten tot alles "klaar" is voordat ze beginnen. Ze gebruiken de informatie die er al is, direct uit de stroom van de data.

3. Het "Oefen"-Trucje (Pre-training)

Het team ontdekte nog een slimme truc. Als je een nieuw team samenstelt, is het beter om ze eerst apart te laten oefenen dan om ze direct samen te laten werken.

OSIRISrand: Je gooit ze direct in de strijd. Ze leren wel, maar het is chaotisch en onstabiel.
OSIRISpre (De winnaar): Je laat de "tijd-specialist" eerst alleen oefenen, de "frequentie-specialist" ook, en de "CSI-specialist" ook. Zodra ze experts zijn, zet je ze aan één tafel. Dan leren ze samenwerken veel sneller en beter. Dit zorgt voor een veel stabieler resultaat.

4. Het Resultaat: Snelheid en Efficiëntie

Wat levert dit op?

Snelheid: De oude zware vrachtwagen (ResNet) deed er 3761 microseconden over om een oordeel te vellen. De nieuwe OSIRIS-methode doet er maar 398 microseconden over. Dat is 9 keer sneller!
Energie: De oude methode was als een zware motor die veel brandstof verbruikt. De nieuwe methode is als een elektrische fiets: 11 keer minder rekenkracht nodig.
Nauwkeurigheid: Ze zijn bijna net zo goed als de zware methode (slechts 4% minder nauwkeurig), maar ze zijn zo snel dat ze binnen de strenge 1-millisecond limiet van 5G-netwerken passen.

Samenvatting

Dit paper zegt eigenlijk: "Laten we stoppen met proberen één gigantische supercomputer te bouwen om interferentie te detecteren. Laten we in plaats daarvan slimme, lichte teams maken die op verschillende plekken in het netwerk werken en hun kennis combineren."

Dit maakt het mogelijk om in de toekomst netwerken te hebben die zichzelf kunnen repareren en optimaliseren, zonder dat de systemen vastlopen door te veel rekenwerk. Het is de overstap van een zware tank naar een wendbaar, snel team van racefietsers.

Titel: Gedistribueerde multi-domein interferentieclassificatie voor O-RAN

Auteurs: Dieter Verbruggen, Hazem Sallouha, en Sofie Pollin (KU Leuven)

1. Het Probleem

Met de toenemende vraag naar draadloze connectiviteit wordt het radiospectrum schaars. Moderne netwerken maken daarom steeds meer gebruik van spectrumdeling en dynamisch hergebruik. Hoewel dit de spectrale efficiëntie verbetert, leidt het onvermijdelijk tot een toename van Cross-Technology Interference (CTI), waarbij signalen van verschillende technologieën (zoals Wi-Fi, LTE, Radar, 5G) elkaar overlappen.

Voor het behoud van Kwaliteit van Dienst (QoS) in next-generation netwerken, zoals het Open Radio Access Network (O-RAN), is het essentieel om deze interferentie nauwkeurig en in real-time te identificeren en te mitigeren.

Uitdaging: Bestaande oplossingen vertrouwen vaak op zware, monolithische deep learning-modellen. Hoewel deze een hoge nauwkeurigheid bieden, veroorzaken ze aanzienlijke latentie en rekenkundige overhead.
Beperking: In O-RAN moet interferentieclassificatie worden uitgevoerd als een distributed App (dApp) binnen een strikte 1 ms subframe-constraint (5G). Zware modellen passen hier niet in en kunnen niet efficiënt draaien op gedeelde hardwareinfrastructuur zonder andere kritieke toepassingen te verstoren.

2. Methodologie: Het OSIRIS-model

De auteurs stellen OSIRIS (O-RAN Split Inference for Radio Interference Sensing) voor. Dit is een lichtgewicht, gedistribueerd architectuurconcept dat de functional split van O-RAN (Split 7.2x) benut om interferentie te classificeren door gebruik te maken van meerdere signaaldomeinen.

Kernprincipes:

Multi-domein Data: In plaats van alleen te werken met frequentiedomein-symbolen (zoals traditioneel), extrahert OSIRIS drie representaties uit dezelfde datastroom:
1. Tijddomein ( $X_{time}$ ): Samples direct na de ADC en CP-verwijdering bij de O-RU (Radio Unit).
2. Frequentiedomein ( $X_{freq}$ ): Symbolen na de FFT, verzonden naar de O-DU (Distributed Unit).
3. CSI-domein (Channel State Information): Geschatte kanaalrespons na demapping en kanaalschatting bij de O-DU.
Gedistribueerde Verwerking:
- Het model gebruikt specifieke feature extractors (diepe convolutionele netwerken) voor elk domein.
- De tijddomein-analyse gebeurt lokaal op de O-RU, terwijl frequentie- en CSI-data op de O-DU worden verwerkt.
- De verkregen latente features worden samengevoegd (late fusion) in een enkele classifier op de O-DU.
Trainingsstrategie (OSIRISpre):
- De auteurs introduceren een gestage pre-training strategie. In plaats van het hele netwerk vanaf nul te trainen met willekeurige gewichten, worden de feature extractors voor elk domein eerst onafhankelijk voorgetraind.
- Vervolgens worden de beste extractors samengevoegd en het volledige fusiemodel verder getraind. Dit verbetert de stabiliteit en convergentie.

3. Belangrijkste Bijdragen

OSIRIS Architectuur: Een model dat de complexe PHY-transformaties niet hoeft te leren, maar gebruikmaakt van de al berekende representaties (tijd, frequentie, CSI) binnen de O-RAN Split 7.2x pipeline.
Gestage Pre-training: Een innovatieve trainingsmethode die de stabiliteit en prestaties van multi-domein fusie verbetert ten opzichte van standaard random initialisatie.
Efficiëntie en Prestaties: Het bewijzen dat een gedistribueerde, multi-domein aanpak de latentie en rekenkosten drastisch verlaagt zonder significante inboet aan nauwkeurigheid.

4. Resultaten

De evaluatie werd uitgevoerd op een synthetisch dataset (414.720 samples) met 7 interferentieklassen (Radar, LTE, Wi-Fi, diverse 5G NR-configuraties) en een "noise-only" klasse. De resultaten werden vergeleken met een state-of-the-art monolithische ResNet (die alleen op frequentiedomein werkt).

Latentie:
- OSIRIS: Median inference latentie van 398 µs (95e percentiel: 494 µs).
- ResNet (Baseline): Median latentie van 3761 µs.
- Verbetering: Een 9x reductie in latentie, waardoor het model voldoet aan de 1 ms 5G-constraint.
Rekencomplexiteit:
- OSIRIS: 4,9 MFLOPs en 52,7k parameters.
- ResNet: 55,14 MFLOPs en 115,6k parameters.
- Verbetering: Een 11x daling in rekenkosten, waardoor uitvoering op standaard CPU's mogelijk is.
Nauwkeurigheid:
- De ResNet bereikte de hoogste pieknauwkeurigheid (84,86%).
- OSIRISpre bereikte 80,22% nauwkeurigheid (een verlies van slechts ~4% ten opzichte van de zware baseline).
- Stabiliteit: De gestage pre-training (OSIRISpre) toonde een veel hogere stabiliteit (variatie van 2,14%) dan willekeurige initialisatie (6,43%).
- Scheiding van complexe signalen: Vooral bij moeilijk te onderscheiden signalen (zoals LTE vs. NR1,20) presteerde OSIRISpre beter dan OSIRISrand, dankzij de pre-training die het model helpt om subtiele, complementaire kenmerken te leren.

5. Betekenis en Conclusie

Dit onderzoek toont aan dat het expliciet afstemmen van neurale netwerkarchitecturen op de fysieke lagen (PHY) en de functional split van O-RAN een cruciale stap is voor real-time interferentiebeheer.

Praktische Toepassing: Door de verdeling van de rekenlast over de O-RU en O-DU en het gebruik van multi-domein data, kan een robuust classificatiemodel draaien binnen de strenge tijdslimieten van 5G-netwerken op standaard hardware.
Toekomstperspectief: De studie onderstreept dat "lightweight" niet hoeft te betekenen "onnauwkeurig". Door slimme architecturale keuzes (multi-domein fusie en pre-training) kan men de efficiëntie van het netwerk maximaliseren terwijl de QoS behouden blijft. Dit maakt het mogelijk voor O-RAN om effectief om te gaan met de toenemende complexiteit van spectrumdeling in de toekomst.