ALAP: Availability- and Latency-Aware Protection for O-RAN: A Deep <i>Q</i>-Learning Approach
Notice bibliographique
Résumé
Ultra-Reliable Low Latency Communications (URLLC) is a critical use case in 5G and B5G networks enabling applications such as Augmented Reality (AR)-assisted surgery, vehicle-to-everything communications, and smart grids to consistently deliver the promised Quality of Service to the end-users. The intelligence of the 5G core has made such applications possible, and the O-Radio Access Network (O-RAN) has extended this intelligence to Radio Access Networks (RANs) through its openness, cloudification, and ability to host machine learning models at every layer. However, the cloudification of O-RAN introduces challenges, such as securing availability and ensuring latency for URLLC. In this work, we propose an Availability- and Latency-Aware O-RAN Virtual Network Function (VNF) Protection (ALAP) solution. ALAP offers a shared VNF protection scheme based on deep Q-learning, efficiently providing this protection while minimizing the number of VNF backup components compared to dedicated protection schemes. Our solution protects against resource blockages and alleviates operational costs for network service providers. In addition to these objectives, ALAP ensures that the network meets URLLC’s strict availability and end-to-end latency constraints. ALAP has shown promising results in how quickly it can learn to optimize these objectives and in its capability to achieve its goals on large-scale O-RAN deployments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».