AI/ML-Based RAN：基于人工智能/机器学习的无线接入网

在上一篇中，我们提到了3GPP RAN #94e会议上确定的28项研究项目，并且详细介绍了其中AI/ML for NR air interface项目的研究目标。在RAN#94e会议上所确定的2项AI/ML研究项目中，另一项是关于AI/ML for NG-RAN。

RP-213602 Artificial Intelligence (AI)/Machine Learning (ML) for NG-RAN，这个研究项目由中国移动主导，中国移动与爱立信作为共同报告人。这个研究项目目前有34个厂商参与。

关于这个研究项目的背景：

5G网络面临着越来越多的KPI要求，包括时延、可靠性、连接密度、用户体验、能效等等。AI/ML提供了一个高效的工具，通过分析所收集的数据，可以帮助运营商提升网络管理效率和用户体验。

关于这个研究项目的研究目标：

在现有的NG-RAN接口和架构下，为基于AI/ML的网络省电、负载均衡以及移动性优化明确数据收集增强和信令支持(RAN3)方法。同时，必要时需要与SA3讨论安全方面，以及与SA5讨论OAM方面。

在这个研究项目之前，已有另一个前置研究项目，名称是”Study on enhancement for data collection for NR and EN-DC”，它主要研究了通用高层规则、AI/ML功能框架、潜在的应用场景以及潜在的解决方案。这个研究项目的结果输出到了TR37.817。

下面对TR37.817的主要内容做简要介绍。在TR37.817中，定义了一个智能RAN的功能框架。

其中，框架包括四个模块，即Data collection、Model training、Model Inference和Actor。

Data collection是给Model training和Model inference提供数据输入的模块。与AI/ML算法相关的一些数据准备工作，比如，数据预处理、清晰、转换等，不在Data collection模块内完成。

Model Training模块是执行机器学习模型训练、验证和测试的模块。前面所述的数据预处理等功能也是在Model training模块进行。从框架图中可以看到，Model training会给Model inference模块输入模型，其中包括初始模型部署以及模型的更新。同时，Model training模块也会接受从Model inference模块的性能反馈。

Model Inference模块负责根据AI/ML模型和inference data输出预测或者决策结果。

Actor模块负责根据Model inference模块的结果触发相应的动作。

上面所述的几个模块，在实际网络部署时，可能会被部署与不同的网元。比如，Model Training模块可能会被部署与gNB节点中，或者也可能被部署于OAM中。详细的部署模式介绍可以参考TR37.817.

在TR37.817中，介绍了AI RAN的三个典型应用场景：

1. 网络节能；
2. 负载均衡；
3. 移动性优化；

这三个场景对前述的框架应用流程类似，不同的只是场景所要求的的输入数据和AI/ML算法输出以及执行动作不同。

在网络节能场景中：

基站获取如下信息：

---UE mobility/trajectory prediction

---Current/Predicted Energy efficiency

---Current/Predicted resource status

UE获取和上报如下信息：

---UE location information (e.g., coordinates, serving cell ID, moving velocity)

---UE measurement report (e.g. UE RSRP, RSRQ, SINR measurement, etc)

AI/ML算法输出如下信息：

---Energy saving strategy, such as recommended cell activation/deactivation.

---Handover strategy, including recommended candidate cells for taking over the traffic

---Predicted energy efficiency

---Predicted energy state (e.g., active, high, low, inactive)

在负载均衡场景中：

基站获取如下信息：

---Own resource status information (e.g. per cell, per SSB Area)

---Predicted own resource status information

---Neighbour resource status information (e.g. per cell, per SSB Area)

---Predicted neighbour resource status information

UE获取和上报如下信息：

---UE location information (e.g. from RLF reports, SCG Failure Information, Successful Handover Report)

---UE Radio Measurements, e.g., RSRP, RSRQ, SINR

---UE Mobility History Information

AI/ML算法输出如下信息：

---Selection of target cell for mobility load balancing

---Predicted own resource status information

---Predicted resource status information signalled from neighbor NG-RAN node(s)

---Validity time for the Model Inference output predictions

在移动性优化场景中：

基站获取如下信息：

---UE’s successful handover information in the past and received from neighboring RAN nodes

---UE’s history information from neighbor

---Position, resource status, QoS parameters of historical HO-ed UE (e.g., loss rate, delay, etc.)

---Resource status and utilization prediction/estimation

---SON Reports of handovers that are successful, too-early, too-late, or handover to wrong (sub-optimal) cell

---Information about the performance of handed over UEs

---Resource status prediction

---UE trajectory prediction output (will be used by the RAN node internally)

UE获取和上报如下信息：

---UE location information (e.g., coordinates, serving cell ID, moving velocity)

---Radio measurements related to serving cell and neighbouring cells associated with UE location information, e.g., RSRP, RSRQ, SINR

---UE historical serving cells and their locations

---Moving velocity

---predicted traffic

AI/ML算法输出如下信息：

---UE trajectory prediction (Latitude, longitude, altitude, cell ID of UE over a future period of time)

---Estimated arrival probability in CHO and relevant confidence interval

---Predicted handover target node, candidate cells in CHO, may together with the confidence of the predication

更多详细的介绍，请参考TR37.817.

https://www.3gpp.org/ftp/Specs/archive/37_series/37.817