[ORAN] Use Case: WG1-Massive MIMO Beamforming Optimization ~3

在最新版本 (2021/7) 的 O-RAN SPEC 中,

在 MIMO Beamforming 的 Use Case 中加入了 E2 的使用情境,

和原本的 O1 介面的應用情境相比, E2 介面更即時,

因此, 最佳化的目標也從統計上的 Beam Allocation,
(原文標題為: MIMO GoB (Grid of Beams) Beamforming optimization)

改為移動性的 MRO (Mobility Robustness Optimization) 問題

(原文標題為: MIMO Beam-based Mobility Robustness Optimization)

在 near-RT RIC 的 Use Case 中 (也就是上述的 E2 應用情境),

假設前述 GoB 的模型已經由 non-RT RIC 決定 (O1 應用情境),

near-RT RIC 再藉由調整 MRO 的參數 (例如: Cell Individual Offset, CIO),

來保證使用者移動性的最佳化, 其流程如下:

和 O1 Use Case 類似, 在整體的交換流程中, 可以分成 4 個部分:

• [Step1-Data Collection] SMO 給定 GoB 的參數, 取得網路 (RAN) 中各節點的資訊
• [Step2-AI/ML Flow] near-RT RIC 訓練 AI/ML 模型
• [Step3-Configuration Update] near-RT RIC  透過 E2 界面對 E2 Node 進行 MRO 設定
• [Step4-Performance Monitoring] near-RT RIC 持續量測網路效能, 適時驅動重新計算模型.

在整體流程上, 和原本 O1 情境中最大的差異在於起始條件,

考慮到 E2 情境中, GoB 的設定為必需的演算法輸入, 

因此, 起始條件就包含 GoB 資訊給定 (GoB Beam Pattern Infomation is available),

同時, 當 GoB 資訊改變 (GoB Beam Pattern Change) 時, 就必須重新訓練 ML/AI 演算法,

GoB 的資訊除了可以透過 SMO 計算得知 (透過 O1 告知 near-RT RIC),

也可以是存於 E2 Node 中的數值 (NR gNB 的系統參數, 透過 E2 告知),

near-RT RIC 可以參考上述兩處資訊, 取得 GoB 的設定參數.

有趣的是, 在此 E2 Use Case 中, 

定義的監控數據回報間隔為數秒 (an integer multiple of 1 second),

此一數值明顯高於 near-RT RIC 的設計數值 (100-1000 ms),

但若以我們的實作經驗以及 MRO 應用情境而言, 

的確是一較合理的數值.