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

Technische Samenvatting: ML-gebaseerde predictieve modellen voor energieverbruik in gevirtualiseerde O-RAN's

Probleemstelling
De snelle uitrol van 5G en daarna is de uitdagingen rondom energieverbruik geïntensiveerd, met name binnen Radio Access Networks (RANs), die verantwoordelijk zijn voor meer dan 70% van het totale energieverbruik van mobiele systemen. Traditionele analytische vermodellen, zoals het EARTH-model, zijn steeds minder adequaat voor Open Radio Access Networks (O-RANs). Deze legacy-modellen vertrouwen op lineaire structuren en hardware-agnostische parameters die er niet in slagen de complexe, niet-lineaire dynamiek van gevirtualiseerde omgevingen te vatten. Specifiek kunnen ze geen rekening houden met O-RAN-specifieke factoren zoals functionele splits, de heterogeniteit van versnellers, discrete energietoestanden en bursts van de real-time scheduler. Bijgevolg is er een kritieke behoefte aan datagedreven benaderingen die in staat zijn om het energieverbruik in gedisaggregeerde, software-gedefinieerde O-RAN-architecturen nauwkeurig te voorspellen om energiezuinige netwerkorchestratie mogelijk te maken.

Methodologie
De auteurs onderzoeken de effectiviteit van machine learning (ML) technieken, specif kinderlijk Deep Neural Networks (DNNs), gebruikmakend van een dataset verzameld uit een hardware-geinstrumenteerde O-RAN-testopstelling. De experimentele opstelling omvat een gevirtualiseerd O-RAN-systeem dat draait op een standaard x86-server met Docker-containerisatie, waarbij de Radio Unit (RU) wordt geïmplementeerd via een USRP B210, en de Distributed Unit (DU) en Centralized Unit (CU) gevirtualiseerde functies zijn. Het energieverbruik wordt globaal gemeten met behulp van een GW-Instek vermogensmeter.

De studie maakt gebruik van een rigoureuze data-preprocessing en modelleringspipeline:

1. Feature Engineering: Permutatie feature-importantieanalyse identificeert transmissiewinst, modulatie-/coderingsschema's (MCS) en airtime als de primaire voorspellers van het energieverbruik.
2. Dataset Partitionering: Om datalekken te voorkomen en een robuuste evaluatie te garanderen, wordt de dataset gegroepeerd op basis van configuratieparameters (bijv. winst, MCS) voordat deze wordt gesplitst in subsets voor training (80%), validatie (10%) en testen (20%).
3. Modelontwikkeling: Drie verschillende architecturen zijn ontworpen en geëvalueerd:
   • Model 1 (Baseline DNN): Een standaard feedforward neuraal netwerk met drie verborgen lagen (6-64-32 neuronen) met ReLU-activatie en Adam-optimalisatie.
   • Model 2 (Regularized DNN): Een verbeterde architectuur die dropout (p=0.3), L2-regularisatie (weight decay λ=0.01) en batch-normalisatie incorporeert om overfitting te beperken en training te stabiliseren.
   • Model 3 (Hybrid DNN–XGBoost): Een tweefasige pipeline waarbij een DNN fungeert als feature extractor. De DNN comprimeert inputfeatures naar een 16-dimensionale latente ruimte (bottleneck layer), die dient als input voor een XGBoost-regressor. Deze hybride benadering beoogt de representatieleer van DNN's te combineren met de regelgebaseerde beslissingsmogelijkheden van gradient boosting.

Belangrijkste Resultaten
De modellen werden geëvalueerd over diverse systeemconfiguraties, inclusief uplink/downlink transmissiewinst, MCS-indices en airtime-ratio's, waarbij de Mean Relative Error (MRE) als primaire metriek werd gebruikt.

• Baseline vs. Regularized: De geregulariseerde DNN (Model 2) presteerde consequent beter dan de baseline (Model 1), waarbij fouten aanzienlijk werden verminderd (bijv. het handhaven van <1,5% fout over transmissiewinsten vergeleken met 2,5–5% voor de baseline).
• Hybride Superioriteit: Het hybride DNN–XGBoost-model (Model 3) behaalde de hoogste nauwkeurigheid over alle geteste parameters. Het behield consequent een Mean Relative Error van onder de 0,5%.
  • In de analyse van transmissiewinst bereikte Model 3 een maximale fout van ~0,5%, met fouten zo laag als ~0,1% in kritieke gebieden met lage winst waar andere modellen verslechterden.
  • Voor MCS-indices (zowel uplink als downlink) vertoonde Model 3 verwaarloosbare fouten (<0,1% tot <0,25%), waardoor de relatie tussen modulatiecomplexiteit en CPU-verwerkingsvraag effectief werd gemodelleerd.
  • Wat betreft airtime behield Model 3 fouten onder de 0,1% in alle belastingsscenario's, waardoor de voorspellingspieken die bij andere modellen optraden onder hoge airtime of nabij de idle-toestand werden vermeden.

Betekenis en Claims
Het artikel claimt dat hybride modellen, specifiek de DNN–XGBoost-architectuur, een superieure nauwkeurigheid en stabiliteit bieden voor het voorspellen van het energieverbruik in gevirtualiseerde O-RAN's vergeleken met standalone DNN's of traditionele analytische modellen. De auteurs stellen dat deze benadering erin slaagt de niet-lineaire schaling en discrete verschuivingen in energieverbruik, gedreven door bursty verkeer en specifieke platformconfiguraties, succesvol te vatten.

De betekenis van dit werk ligt in het vaststellen van een praktische benchmark voor AI-gebaseerde energievoorspelling in O-RAN-systemen. De auteurs suggereren dat het integreren van dergelijke nauwkeurige predictieve modellen in O-RAN-beheertools kan faciliteren in intelligente energiebeheerstrategieën, zoals adaptieve transmissievermogensregeling en selectieve deactivering van radiochains. De studie concludeert door toekomstige onderzoeksrichtingen te identificeren, waaronder de incorporatie van temporele dynamiek via sequentieel leren en de toepassing van transfer learning om datascarciteit aan te pakken, waarmee een fundament wordt gelegd voor energiezuinige 5G-Advanced en 6G-netwerken.