🤖 machine learning

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

Este artigo propõe e avalia modelos de aprendizado de máquina para prever o consumo de energia em O-RANs virtualizadas, demonstrando que uma abordagem híbrida DNN-XGBoost alcança uma precisão superior (com erro inferior a 0,5%) em comparação com DNNs padrão e regularizadas, permitindo, assim, uma orquestração de rede mais eficiente energeticamente.

Autores originais: Rishu Raj, Genevieve Akude, Urooj Tariq, Daniel Kilper

Publicado 2026-07-28

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Rishu Raj, Genevieve Akude, Urooj Tariq, Daniel Kilper

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a internet como uma cidade enorme e movimentada, onde os dados são o tráfego e as torres de celular são os semáforos. Durante décadas, esses semáforos têm se tornado mais inteligentes, mas também têm se tornado mais vorazes. À medida que nossos telefones exigem velocidades maiores e mais streaming de vídeo, as redes que os alimentam estão devorando eletricidade como um maratonista em um surto de açúcar. Isso não é apenas ruim para o clima do planeta; também é uma conta enorme para as empresas que operam as redes. Para resolver isso, engenheiros estão tentando reconstruir essas redes do zero, transformando-as em sistemas flexíveis e orientados por software chamados "Redes de Acesso de Rádio Aberto" (ou O-RANs, para abreviar). Pense na O-RAN como pegar uma casa rígida e pré-fabricada e transformá-la em um conjunto de blocos de Lego que podem ser rearranjados instantaneamente para se ajustar ao clima. Mas aqui está a parte complicada: como esses blocos de Lego podem mudar de forma tão rapidamente, é incrivelmente difícil prever quanta energia eles usarão em qualquer dado momento. As formas antigas de adivinhar o uso de energia são como tentar prever o tempo olhando para um mapa estático; elas simplesmente não conseguem lidar com as tempestades repentinas e os períodos de sol de uma rede digital moderna.

É aqui que os pesquisadores do Trinity College Dublin entram com uma nova ideia: vamos ensinar um computador a aprender os hábitos energéticos da rede em vez de tentar escrever um manual para ela. Eles montaram um banco de testes real — uma versão em miniatura e funcional dessa rede flexível — e mediram exatamente quanta energia ela usou sob diferentes condições. Em seguida, treinaram três tipos diferentes de "cérebros digitais" (modelos de aprendizado de máquina) para observar as configurações da rede e adivinhar a conta de luz. O primeiro cérebro foi uma Rede Neural Profunda (DNN) padrão, um tipo de IA boa em identificar padrões. O segundo foi uma versão "regularizada" desse mesmo cérebro, ajustada para evitar que ele ficasse "sonhando acordado" demais (um problema chamado overfitting). O terceiro foi uma equipe híbrida: a DNN atuou como um batedor para encontrar as pistas mais importantes e, depois, passou essas pistas para um tomador de decisões diferente e muito aguçado chamado XGBoost para fazer o palpite final.

Os resultados foram claros: a equipe híbrida foi a estrela do show. Enquanto os cérebros padrão e o regularizado fizeram alguns palpites decentes, eles tropeçaram quando as condições da rede ficaram complicadas, às vezes errando a marca em até 5%. O modelo híbrico, no entanto, foi incrivelmente preciso, adivinhando consistentemente o uso de energia com uma taxa de erro inferior a 0,5%. Na verdade, nos cenários mais difíceis, ele errou por apenas cerca de 0,1%. O artigo sugere que essa abordagem híbrida é a maneira mais confiável de prever o uso de energia nessas redes complexas e virtualizadas. Ao usar esse tipo de previsão inteligente, os gestores de rede poderiam potencialmente desligar partes não utilizadas do sistema ou ajustar os níveis de energia em tempo real, economizando energia sem diminuir a velocidade da nossa internet. Os autores observam que, embora este seja um começo forte, o trabalho futuro poderia envolver o ensino desses modelos para entender como o tráfego muda ao longo do tempo, muito parecido com aprender os padrões de deslocamento diários de uma cidade, para tornar a economia de energia ainda melhor.

Resumo Técnico: Modelos Preditivos Baseados em ML para Consumo de Energia em O-RANs Virtualizadas

Definição do Problema
A rápida implantação de redes 5G e além intensificou os desafios de consumo de energia, particularmente nas Redes de Acesso via Rádio (RANs), que representam mais de 70% do uso total de energia dos sistemas móveis. Modelos analíticos tradicionais de potência, como o modelo EARTH, são cada vez mais inadequados para Redes de Acesso Aberto (O-RANs). Esses modelos legados dependem de estruturas lineares e parâmetros agnósticos ao hardware que falham em capturar a dinâmica complexa e não linear de ambientes virtualizados. Especificamente, eles não conseguem contabilizar fatores específicos de O-RAN, como divisões funcionais (functional splits), heterogeneidade de aceleradores, estados de energia discretos e surtos de escalonamento em tempo real. Consequentemente, há uma necessidade crítica de abordagens baseadas em dados capazes de prever com precisão o consumo de energia em arquiteturas de O-RAN des agregadas e definidas por software para permitir a orquestração de redes energeticamente eficientes.

Metodologia
Os autores investigam a eficácia de técnicas de aprendizado de máquina (ML), especificamente Redes Neurais Profundas (DNNs), utilizando um conjunto de dados coletado de um testbed de O-RAN instrumentado por hardware. A configuração experimental envolve um sistema O-RAN virtualizado rodando em um servidor x86 comum com conteinerização Docker, onde a Unidade de Rádio (RU) é implementada via USRP B210, e as funções de Unidade Distribuída (DU) e Unidade Centralizada (CU) são virtualizadas. O consumo de energia é medido globalmente usando um medidor de potência GW-Instek.

O estudo emprega um rigoroso pipeline de pré-processamento de dados e modelagem:

Engenharia de Atributos (Feature Engineering): A análise de importância de atributos por permutação identifica o ganho de transmissão, esquemas de modulação/codificação (MCS) e o tempo de antena (airtime) como os principais preditores do consumo de energia.
Particionamento do Conjunto de Dados: Para evitar vazamento de dados (data leakage) e garantir uma avaliação robusta, o conjunto de dados é agrupado por parâmetros de configuração (ex: ganho, MCS) antes de ser dividido em subconjuntos de treinamento (80%), validação (10%) e teste (20%).
Desenvolvimento do Modelo: Três arquiteturas distintas foram projetadas e avaliadas:
- Modelo 1 (DNN de Linha de Base): Uma rede neural feedforward padrão com três camadas ocultas (6_4-6_4-3_2 neurônios) usando ativação ReLU e otimização Adam.
- Modelo 2 (DNN Regularizada): Uma arquitetura aprimorada incorporando dropout (p=0.3), regularização L2 (decaimento de peso $\lambda$ =0.01) e normalização de lote (batch normalization) para mitigar o sobreajuste (overfitting) e estabilizar o treinamento.
- Modelo 3 (Híbrido DNN–XGBoost): Um pipeline de dois estágios onde uma DNN atua como um extrator de atributos. A DNN comprime os atributos de entrada em um espaço latente de 16 dimensões (camada de gargalo/bottleneck), que serve como entrada para um regressor XGBoost. Esta abordagem híbrida visa combinar o aprendizado de representação das DNNs com as capacidades de tomada de decisão baseadas em regras do gradient boosting.

Principais Resultados
Os modelos foram avaliados através de várias configurações de sistema, incluindo ganho de transmissão uplink/downlink, índices MCS e razões de tempo de antena, utilizando o Erro Relativo Médio (MRE) como métrica primária.

Linha de Base vs. Regularizado: A DNN regularizada (Modelo 2) superou consistentemente a DNN de linha de base (Modelo 1), reduzindo significativamente os erros (ex: mantendo <1,5% de erro em ganhos de transmissão comparado a 2,5–5% para a linha de base).
Superioridade Híbrida: O modelo Híbrido DNN–XGBoost (Modelo 3) alcançou a maior precisão em todos os parâmetros testados. Ele manteve consistentemente um Erro Relativo Médio abaixo de 0,5%.
- Na análise de ganho de transmissão, o Modelo 3 alcançou um erro máximo de ~0,5%, com erros tão baixos quanto ~0,1% em regiões críticas de baixo ganho, onde outros modelos degradaram.
- Para índices MCS (tanto uplink quanto downlink), o Modelo 3 demonstrou erros negligíveis (<0,1% a <0,25%), modelando efetivamente a relação entre a complexidade da modulação e a demanda de processamento da CPU.
- Em relação ao tempo de antena (airtime), o Modelo 3 manteve erros abaixo de 0,1% em todos os cenários de carga, evitando os picos de predição observados em outros modelos sob condições de alto airtime ou próximo ao estado de ociosidade (idle).

Significância e Alegações
O artigo alega que modelos híbridos, especificamente a arquitetura DNN–XGBoost, oferecem precisão e estabilidade superiores para prever o consumo de energia em O-RANs virtualizadas em comparação com DNNs isoladas ou modelos analíticos tradicionais. Os autores afirmam que esta abordagem captura com sucesso a escala não linear e as mudanças discretas no uso de energia impulsionadas por tráfego intermitente (bursty) e configurações específicas de plataforma.

A significância deste trabalho reside no estabelecimento de um benchmark prático para a predição de energia baseada em IA em sistemas O-RAN. Os autores sugerem que a integração de tais modelos preditivos de alta precisão em ferramentas de gerenciamento de O-RAN pode facilitar estratégias de gerenciamento de energia inteligentes, como controle adaptativo de potência de transmissão e desativação seletiva de cadeias de rádio. O estudo conclui identificando direções de pesquisas futuras, incluindo a incorporação de dinâmicas temporais via aprendizado sequencial e a aplicação de aprendizado por transferência (transfer learning) para abordar a escassez de dados, estabelecendo assim uma base para redes 5G-Advanced e 6G energeticamente eficientes.

Mais como este