想象一下，互联网就像一座繁忙的大都市，数据是其中的交通流量，而基站则是控制交通的红绿灯。几十年来，这些交通灯变得越来越聪明，但也变得越来越“贪婪”。随着我们的手机对速度和视频流媒体的需求不断提高，支撑这些设备的网络正像处于糖分冲刺状态的马拉松选手一样，疯狂地消耗着电力。这不仅对地球的气候不利，也给运营网络的公司带来了巨额账单。为了解决这个问题，工程师们正试图从头开始重建这些网络，将其转变为一种灵活的、由软件驱动的系统，被称为“开放无线接入网”（简称 O-RAN）。可以将 O-RAN 想象成将一座结构僵化的预制房屋，变成一套可以根据天气瞬间重新排列组合的乐高积木。但棘手之处在于：由于这些乐高积木可以如此快速地改变形状，想要预测它们在任何给定时刻会消耗多少能量变得极其困难。传统的预测能耗方法就像试图通过看一张静态地图来预测天气；它们根本无法应对现代数字化网络中突如其来的风暴与晴朗天气。
这正是都柏林圣三一学院的研究人员提出新想法的地方：让我们教计算机去学习网络的能量习惯，而不是试图为它编写一本说明书。他们搭建了一个真实的测试平台——一个这种灵活网络的微缩、运行版模型——并精确测量了在不同条件下该网络消耗了多少电量。随后，他们训练了三种不同类型的“数字大脑”（机器学习模型），让它们观察网络设置并预测电费账单。第一个大脑是一个标准的深度神经网络（DNN），这是一种擅长发现模式的 AI 类型。第二个是该大脑的“正则化”版本，经过微调以防止它过度“白日梦”（即过拟合问题）。第三个是一个混合团队：DNN 充当侦察兵来寻找最重要的线索，然后将这些线索传递给另一个非常敏锐的决策者——名为 XGBoost 的模型，由它做出最终判断。
结果显而易见：这个混合团队是全场的明星。虽然标准型和正则化型大脑做出了一些不错的预测，但在网络状况变得复杂时，它们会出错，误差有时高达 5%。然而，混合模型表现得异常精准，始终能以低于 0.5% 的误差率预测功率使用情况。事实上，在最困难的情景下，它的误差仅为 0.1% 左右。论文指出，这种混合方法是预测这些复杂虚拟化网络中能量使用的最可靠方式。通过使用这种智能预测，网络管理者可以潜在地关闭闲置的部分或实时调整功率水平，从而在不减慢互联网速度的情况下节省能源。作者指出，虽然这是一个强有力的开端，但未来的工作可以涉及教这些模型理解流量随时间的变化，就像学习城市每日通勤模式一样，从而使节能效果更加显著。
技术摘要：基于机器学习的虚拟化 O-RAN 功耗预测模型
问题陈述
5G 及未来网络的快速部署加剧了能源消耗挑战，特别是无线接入网（RAN）部分，其占移动系统总能耗的 70% 以上。传统的分析型功率模型（如 EARTH 模型）正日益显得力不从心。这些遗留模型依赖于线性结构和硬件无关的参数，无法捕捉虚拟化环境中复杂的非线性动态特性。具体而言，它们无法解释 O-RAN 特有的因素，如功能拆分（functional splits）、加速器异构性、离散能量状态以及实时调度器突发（real-time scheduler bursts）。因此，迫切需要能够准确预测解构化、软件定义 O-RAN 架构中功耗的数据驱动方法，以实现能效驱动的网络编排。
研究方法
作者通过研究深度神经网络（DNN）等机器学习（ML）技术的有效性，利用从硬件监测的 O-RAN 测试平台中收集的数据集进行了实验。实验设置包含一个运行在通用 x86 服务器上的容器化 Docker 环境中的虚拟化 O-RAN 系统，其中无线单元（RU）通过 USRP B210 实现，分布式单元（DU）和中央单元（CU）则为虚拟化功能。功耗使用 GW-Instek 电力计进行全局测量。
本研究采用了严格的数据预处理和建模流程：
- 特征工程： 通过排列特征重要性（Permutation feature importance）分析，确定传输增益、调制编码方案（MCS）和空口时间（airtime）是功耗的主要预测因子。
- 数据集划分： 为防止数据泄露并确保评估的稳健性，数据集在配置参数（如增益、MCS）层面进行分组，随后划分为训练集（80%）、验证集（10%）和测试集（20%）。
- 模型开发： 设计并评估了三种不同的架构：
- 模型 1（基准 DNN）： 标准的前馈神经网络，具有三个隐藏层（64-64-32 个神经元），使用 ReLU 激活函数和 Adam 优化器。
- 模型 2（正则化 DNN）： 增强型架构，引入了 Dropout（p=0.3）、L2 正则化（权重衰减 λ=0.01）和批归一化（batch normalization），以减轻过拟合并稳定训练过程。
- 模型 3（混合 DNN–XGBoost）： 一个两阶段流水线，其中 DNN 作为特征提取器。DNN 将输入特征压缩至 16 维的潜在空间（瓶颈层），该空间作为 XGBoost 回归器的输入。这种混合方法旨在结合 DNN 的表示学习能力与梯度提升算法的基于规则的决策能力。
关键结果
模型针对包括上行/下行传输增益、MCS 指数和空口时间比在内的各种系统配置进行了评估，并使用平均相对误差（MRE）作为主要指标。
- 基准模型 vs. 正则化模型： 正则化 DNN（模型 2）的表现始终优于基准 DNN（模型 1），显著降低了误差（例如，在传输增益方面，模型 2 保持误差在 <1.5%，而基准模型在 2.5–5% 之间）。
- 混合模型的优越性： 混合 DNN–XGBoost 模型（模型 3）在所有测试参数中均达到了最高的精度。它始终将平均相对误差维持在 0.5% 以下。
- 在传输增益分析中，模型 3 的最大误差约为 0.5%，在其他模型表现下降的关键低增益区域，其误差低至约 0.1%。
- 对于 MCS 指数（上行和下行），模型 3 展示了极小的误差（<0.1% 至 <0.25%），有效地模拟了调制复杂度与 CPU 处理需求之间的关系。
- 关于空口时间，模型 3 在所有负载场景下均保持误差低于 0.1%，避免了其他模型在高空口时间或接近空闲状态时出现的预测峰值。
意义与主张
本文主张，与独立 DNN 或传统分析模型相比，混合模型（特别是 DNN–XGBoost 架构）在预测虚拟化 O-RAN 功耗方面提供了更高的准确性和稳定性。作者断言，该方法成功捕捉了由突发流量和特定平台配置驱动的非线性缩放和离散能量转移。
这项工作的意义在于为基于 AI 的 O-RAN 系统能量预测建立了实用的基准。作者建议，将此类高精度预测模型集成到 O-RAN 管理工具中，可以促进智能能量管理策略，例如自适应传输功率控制和选择性射频链路去激活。研究结论指出，未来的研究方向包括通过序列学习引入时间动态特性，以及应用迁移学习来解决数据稀缺问题，从而为能效驱动的 5G-Advanced 和 6G 网络奠定基础。
每周获取最佳 machine learning 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。