Intelligent O-RAN Beyond 5G: Architecture, Use Cases, Challenges, and Opportunities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Open RAN (Radio Access Network) is revolutionizing the telecom space by introducing a framework based on the concepts of virtualization and openness. O-RAN fosters virtualized and disaggregated RAN components connected via open interfaces based on specifications by the O-RAN Alliance. The network is optimized using RAN intelligent controllers (RICs), which can take data-driven, closed-loop actions in a RAN built in a multi-vendor, interoperable environment. The goal of this paper is to provide insights and guidance about the paradigm shift brought by O-RAN in order to create open, softwarized, intelligent and optimized networks. We focus on the intelligence aspects by providing an in-depth view of the near-RT and non-RT RICs specified by the O-RAN Alliance, including the architecture and interfaces. A novel aspect of this paper is that we provide guidelines in terms of the artificial intelligence and machine learning (AI/ML) approaches and frameworks that are useful in the O-RAN context, and consider the applications (xApps and rApps) that can be created to programmatically and autonomously control and optimize the network through the RICs for V2X, Industry 5.0, and other very demanding service types. Additionally, we provide the E2E network slice orchestration architecture, and demonstrate the suitability of O-RAN for the requirements of the service types to be achieved. Finally, we discuss research challenges and opportunities and overview existing experimental research platforms that are used to innovate and drive advances in the O-RAN effort.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle