[ORAN] Use Case: WG1-Flight Path Based Dynamic UAV Radio Resource Allocation ~2
在上一篇文章中, 我們介紹了 UAV 在未來通訊中的角色,
針對此類 3D 通訊應用, O-RAN 也設想了一個 Use Case,
並在此 Use Case 中明訂了三個對於通訊系統的挑戰:
- LOS propagation/uplink interference (直視路徑的衰減/上行的干擾),
- Poor KPI caused by antenna side lobes for base stations (旁波效應造成的低通訊效能),
- Sudden drop in signal strength (訊號強度的突然衰減).
上述的挑戰主要來自於 3D 波束通訊的兩難:
一方面, 我們希望波束集中, 加強使用者接收到的訊號強度,
另一方面, 集中的波束導致較小的服務範圍, 導致移動裝置通訊不穩定,
也因此, 引出了旁波 (side lope)* 低效能通訊 (訊號小幅失焦),
以及訊號強度突然衰減 (移動裝置離開可通訊的範圍).
* 旁波 (side lope): 在設計通訊波束時, 主要波束方向稱為 main lope,
在 main lope 旁邊會有數個 side lope, 其訊號增益強度較低.
針對上述的挑戰, 對通訊系統而言, 可以用的手段包含:
- 配置額外的基地台, 提供備援的通訊波束
- 動態針對 UAV 進行波束的調整
此應用情境下的 UAV 作為空中的小基地台提供使用者通訊服務,
其所需要的通訊需求 (throughput) 為高頻寬的即時資料流, 需要高集中的波束服務,
另一方面, 考慮到 3D 波束通訊中, 每一個波束由多個天線所形成,
且波束間尚有因旁波造成的干擾, 需要進行整體的最佳化,
因此, 針對單一 UAV 進行波束配置的動態最佳化, 需要大量的通訊資源完成,
考慮到基站有限的通訊資源 (天線, 傳輸功率, 計算資源等),
如何配置這些資源給予不同 UAV 就形成一個問題.
考慮到在 O-RAN 的應用情境下, 無法針對 RU 提供 real-time 的控制,
取而代之的是使用 near-RT RIC 以 ML 模型的方式,
提供即時的通訊資源配置 (例如: 功率, 天線數, 頻譜) 給予其所管轄的 CU/DU,
RU 則根據通訊資源配置進行波束設計 (例如: 方向, 波束間最佳化),
此處的 ML 模型由 non-RT RIC 進行設計與訓練,
並透過 A1 介面提供模型或是指引 (policy) 給予 near-RT RIC.
和一般的 O-RAN 架構不同,
此 Use Case 最大的特色在於其訓練的輸入, 不只來自於 O1 收集的 RAN 資訊,
還包含了 UAV 的相關資訊, 包含: 規劃路徑, 天氣資訊, 負載需求, 等.
考慮到此應用情境尚未成熟, 在 ML 模型的描述上也寫得輕巧,
不但將 ML 模型描述成黑盒子, 連輸入輸出也未明確定義, 只能說留待未來規劃,
透過上述的定義與規範, 我們可以得到流程圖如下:
來自: O-RAN.WG1.Use-Cases-Detailed-Specification-v04.00
我們可以看到, 針對此類"過於前瞻"的應用,
O-RAN 在資料交換流程的定義上, 基本就是 rApp + xApp 的 ML 架構, 亦即:
- rApp 透過 O1 介面收集相關資訊, 並學習 ML 模型
- rApp 透過 A1 介面和 xApp 溝通, 部屬 ML 模型或是給予 policy
- xApp 執行 ML 模型, 透過 E2 介面控制 RAN 端裝置
- xApp/O1 收集 ML 執行效能回報, 於 rApp 進行 ML 模型的更新
這樣的流程, 在此 Use Case 中, 除了明定依些額外資訊 (UAV 路徑, 天氣資訊) 外,
我們沒辦法得到一些額外的 insight 來了解其應用的必要性與局限,
更不用說是應用 O-RAN 架構可以得到的優勢.
的確, ML 對未來通訊是重要的, 即時動態且智能靈活的網路配置也是重要的,
但 O-RAN 畢竟是一個由 Operator (電信商) 所組成的組織,
比起未來通訊的規劃, 更應該回答的問題是:
O-RAN 引入的智能架構, 對於現有的網路而言, 可以提供甚麼立即的幫助?
並透過實體的資料收集, 以及展示, 提出 O-RAN 和傳統電信網路的不同.
至於未來通訊研究, 就還是留在學校, 用模擬來驗證吧...
留言
張貼留言