[ORAN] Use Case: WG1-Massive MIMO Beamforming Optimization ~2

在此 Masive MIMO 的 Use Case 中, 

和之前 Traffic Steering 以及 Indoor Positioning 的範例不同,

負責運算的單元為 nRT-RIC (RT-RIC 也有一個範例, 但尚未有內容)

因此, 通訊的介面也由 E2 介面, 改成 O1 介面.

這樣修改的主要原因是 Massive MIMO 主要在 RU 上實作,

而 RU 和 O-RAN 之間的介面就只有 O1,

因此, 計算的位置就改到 nRT-RIC 中 SMO 進行,

資料的交換流程如下圖所示:

在整體的交換流程中, 可以進一步分成 5 個部分:

• [Begin] 電信營運商開始流程, 或是由事件觸發
• [Step1-Data Collection] SMO 發起量測資料的流程, 取得網路 (RAN) 中各節點的資訊
• [Step2-AI/ML Flow] nRT-RIC 從 SMO 中取得量測資訊, 並訓練 AI/ML 模型
• [Step3-Configuration Update] SMO 透過 O1 界面對 RU 進行設定, 包含以下資訊:
• 水平與垂直的波束寬度, 波束的水平與垂直角
• 每個波束所使用的最大能量
• [Step4-Performance Monitoring] SMO 持續量測網路效能, 並適時驅動重新計算模型.
  

值得注意的是, 由於計算的單元為 nRT-RIC, 犧牲了運算的即時性.

因此, 在此處學習的 AI/ML 模型基於網路的長期效能最佳化, 而非針對即時的網路狀況.

對於 AI/ML 網路的訓練資料則包含了目前波束設定, 使用者的歷史分布,
基地台的波束參數 (水平/垂直方向角, 波束寬度等), 網路的效能 KPI, 等資訊. 

透過 AI/ML 網路的學習, 限制網路中基地台使用的波束可用方向與能量,

即可減少相鄰基地台透過波束傳輸產生的干擾.