High-Resilient FlexEthernet over Elastic Optical Networks for Open RAN Backup Fronthaul Design
Notice bibliographique
Résumé
Designing a robust, resilient, and cost-efficient Fronthaul is essential to meet the ultra-reliability and high-bandwidth demands of 5G and beyond radio access networks (RANs). State-of-the-art probabilistic backup design approaches that rely on the likelihood of link failures rather than assuming worst-case scenarios to avoid over-provisioning are realistic and cost-effective. However, tackling this design problem is challenging due to its inherent stochasticity. Traditional solutions, such as robust optimization, tend to overestimate backup requirements, leading to inflated costs. In addition, existing transport technologies deployed in mobile network operators (MNOs) Fronthaul are not flexible and scalable to new 5G requirements. To address this, we propose a novel stochastic Fronthaul backup design model that leverages the combined advantages of FlexEthernet (FlexE) and elastic optical networks (EONs) to reduce bandwidth usage, backup capacity, and overall costs. By applying Chernoff bounds, we reformulate the stochastic model into a non-convex optimization problem and develop CBFH, a successive convex approximation algorithm tailored for single-MNO scenarios. For multi-MNO environments, we introduce CBFHA, an approximation algorithm based on the facility location problem. Experimental results demonstrate that our approach reduces backup costs by at least 48.92% compared to existing state-of-the-art methods.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».