工研院資通所 蔡長嵐 林萬怡 邱碧貞
O-RAN Alliance由C-RAN Alliance與xRAN Forum兩個組織合併，主導成員包括美、中、日、歐…各大行動網路運營商，藉由網路功能虛擬化、訂立開放的介面、公開設計硬體，擴大供應鏈及互通性，以降低採購成本；並以軟體實現網路功能及智能控制，依需求自動的調節網路資源，提供AR/VR、自駕車、無人機…等創新的服務，並提升用戶使用各項應用服務的體驗感受，藉此增加營收。
O-RAN系統架構
過去行動網路設備依賴大廠提供專賣的軟硬體，運營商的設備採購與可提供的服務均需仰賴設備商，無法為客戶提供彈性/快速、客製、差異化的服務。
O-RAN是Open Radio Access Network的縮寫，提倡開放介面、開放軟/硬體，讓硬體設備容易採購與升級，並藉由軟體創作，快速部署應用服務、滿足不同客戶需求，增加營收項目。這觀點就像是在iOS或Android開放平台上所締造的豐富產業鏈、創造的新應用，消費者可選購各家製造的手機，可安裝各種的應用程式。
O-RAN提出的系統架構[2]，基於3GPP的無線接取網（RAN）架構[3]上，增加Service Management and Orchestration（SMO）、Non-Real Time RAN Intelligent Controller（Non-RT RIC）與Near-RT RIC等功能組成，以及O1、O2、A1、E2介面，支援智慧控制的機制。如圖1所示。此外，還有公開的Distributed Unit（DU）、Radio Unit（RU）、Fronthaul（FH）等硬體參考設計，期望能擴大供應鏈。
服務管理與編排（Service Management and Orchestration）
SMO提供網路設施的管理服務，其管理介面及管理內容包括：
．O1介面：錯誤、組態、會計、效能、安全（Fault, Configuration, Accounting, Performance, Security （FCAPS）管理
．O2介面：雲平台（O-Cloud）的資源及負載管理
．OFH M-Plane介面：對O-RU的管理
非即時網路智能控制（Non-RT RAN Intelligent Controller）
Non-RT RIC位於SMO內，功能包括資料分析、訓練機器學習模型、提供額外資訊（Enrichment Information）、設定方針（Policy）。
Non-RT RIC的資料分析與訓練機器學習模型功能：從SMO獲取RAN相關資料、及從應用服務端獲取用戶相關資料，應用機器學習方法，針對個別目的，以off-line方式訓練識別或預測模型，將機器學習模型部署於近即時網路智能控制器（Near-RT RAN Intelligent Controller），可因應流量與環境的變化，主動/提前調整網路資源配置。
．A1介面：設定個別或一群用戶的指導方針，例如QoE目標、偏好的cell或頻帶
本介面的指導方針設定或調整周期有1秒以上的反應時間或間隔。
近即時網路智能控制（Near-RT RAN Intelligent Controller）
Near-RT RIC位於RAN內，接收與分析來自RAN的即時資訊，結合Non-RT RIC提供的額外資訊，並利用Non-RT RIC部署的機器學習模型，監控或預測用戶連線狀況的變化，一旦發現可能達不到Non-RT RIC設定的方針，則需對RAN參數進行調整，例如調整資源分配、傳輸率、傳輸優先性、切換連接點、換手…等方式，使各用戶可繼續維持既定的方針目標。
．E2介面：對接取網（RAN）進行調整
因可監控近即時的網路狀況，本介面控制的反應時間與周期在1秒以內。
如圖2所示，在Near-RT RIC中有個別的應用程式（xApp）來針對不同的應用情境，進行資料監控與對RAN的功能（Func）做參數調整。有時要維持一個xApp的應用情境需調整多個RAN功能才能達到目的，也可能遇到不同的應用情境會去調整相同RAN功能的狀況，所以Near-RT RIC有時需要調節參數調整上的衝突。
應用情境（Use Case）
O-RAN Alliance提出九個應用範例[2]，其中前四個為基本應用，也是第一階段優先實測與驗證的項目。應用情境針對不同服務對象，例如高需求用戶（AR/VR、線上遊戲、遠端及時控制、機器人）、移動車輛、無人機，以滿足用戶體驗與服務協定為目標，藉由資料分析與機器學習等方式，預測資料流量或環境的變化，動態的調整網路參數及資源調配。各應用範例的目標即可採用的方法如表1所述。
表1 應用範例說明[6]
| 應用範例 | 目的 | 方法 |
資料傳輸導向
Traffic Steering | 平衡cell的負載 | 預測網路負載變化，提早將（部分）UE或其資料流分流到鄰近cell或頻帶 |
體驗品質優化
QoE Optimization | 個別設定體驗品質（QoE） | 分辨資料型態、預測可用頻寬、預測QoE |
服務品質參數做資源優化
QoS based Resource Optimization | 個別設定服務品質（QoS） | 調整QoS值，例如最小速率、優先值 |
大規模天線優化
Massive MIMO Optimization | Cell覆蓋與系統容量最佳化 | 調整波束數、水平/垂直波束寬、波束方向 |
無線網路切片服務保證
RAN Slice SLA Assurance | 滿足服務保證（Service Level Agreement） | 預測需求與網路變化，調整網路切片所需資源 |
依環境對車輛換手管理
Context Based Dynamic Handover Management for V2X | 降低高速移動車輛換手（handover, HO）異常狀況 | 依據過往換手成功率及移動軌跡預測，提供較好的換手順序建議 |
依無人機飛行路徑資源配置
Flight Path Based Dynamic UAV Resource Allocation | 為高空無人機調整所需無線資源 | 預測飛行路線、可能造成的干擾、cell所剩資源，進而調配無線資源 |
無人機的資源配置
Radio Resource Allocation for UAV Applications | 低空作業無人機控制與資料回傳資源分配 | 與應用伺服器協作，在接取網（邊緣）調整無線資源 |
網路共享
RAN Sharing | 網路功能虛擬化（NFV），讓運營商共用硬體與網路 | 運營商可由O1/O2介面設定NFV需求，由E2介面監控無線資源 |
資料分析與機器學習機制
隨著智慧手機與應用服務的興起，應用服務產生的數據已被廣泛應用在推薦系統、影像、語音…等。而無線網路本身也擁有許多數據，包括用戶位置、信號強度、資料傳輸、系統異常狀況…等，過去只用在個別基地台做為無線資源排程用途，且因為即時排程需在1 ms以內反應，所以均採用簡單的演算法。
4G提出的自組織網路（Self-Organization Network, SON），其目標是可自動設定（Configuration）基站參數、優化（Optimization）網路運作、自癒（Healing）設備或功能錯誤狀況。
傳統的SON作法，先將系統化成數學模型，由設計者依其知識及認知，將待解問題表示成數學函數，再設計演算法找到目標函數的最佳解，即所謂的優化過程。通常系統模型是假設在穩定的環境，求解是設定在長程平均的目標。
而新世代（5G）的網路綜合了多種傳輸技術、多個頻帶、大小基站異質部署、迥異傳輸環境變化…等複雜狀況，同時要滿足不同應用所需求的頻寬、時延、準確性…等條件，不僅系統模型複雜、變化性、交互影響，以至於目標函數難以定義，且難以用數學方法找到最好的解方。而且，以長程平均的目標來看，無法針對通訊環境的易變性去做到即時的因應修正，因此無法提升用戶的使用體驗品質。
近幾年，機器學習理論再次復甦，藉由大數據分析、開源軟體、強大的硬體能力…等要素結合之下，機器學習的準確率已超過人類可以設計的範圍，在圖像識別、語音識別與翻譯、醫療影像判別、智慧製造、自駕車…等應用已有顯著成果。
為了有效蒐集網路資訊以利分析與應用，5G網路已具備網路資料分析功能（Network Data Analysis Function, NWDAF）[4]，再加上O-RAN提出的SMO、Non-RT RIC、Near-RT RIC功能與開放介面，機器學習將可實際應用在通訊網路上，讓網路自動化、更有效率、更滿足使用者體驗，同時減低運營商設備成本、降低維運人力、增加額外營收。
表2簡列幾個應用範例的功能/目標，藉由大量的輸入資料，以機器學習的方法，評估或預測輸出指標，來達成目標。本文不詳述機器學習方法及模型，讀者可參考網路資料或教課書[5]。表2僅為舉例，其功能、輸入輸出資料型態，或還有其他應用與功能，由網路營運商依其需求、以及要提供給使用者的服務種類而定，可自行開發或委託設計。
表2 各應用範例可採用的機器學習方式 [7]
| 應用範例 | 功能 | 輸入資料 | 輸出資料 |
| 資料傳輸導向 | 預測負載 | 過去使用的上下行實體無線資源塊（PRB）數量 | 未來需要的上下行PRB數量 |
| 建立無線特徵圖譜 | 服務基站編號、鄰近基站編號、信號強度、信號品質 | 信號圖譜 |
| 體驗品質優化 | 服務型態分類 | 資料流量 | 服務型態 |
| 預測QoE | 量測報告，例如
- 傳輸率
- 延遲
- 封包到達時間
- UE信號強度
- 換手統計
上下行無線資源使用率 | 品質指標，例如：
- good/bad
- 影像停滯率
平均評估值（Mean Opinion Score, MOS） |
| 可用無線資源預測 | 未來可用頻寬 |
| 以體驗品質來導向資料 | 預測網路效能變化 | 如上 | 預測基站容量 |
| QoE預測 | 如上 | 不同基站的QoE指數good/bad |
| 推薦資料卸載方向 | 前兩項的輸出 | 選定偏好/優先的cell做為下行傳輸 |
| 車輛換手管理 | 預測HO異常 | - 車聯網（V2X）訊息（CAM,DENM）
- cell編號
- 連線編號
- 信號強度/品質
- GPS
方向、速度 | HO異常/機率 |
| 提供較佳HO順序 | 較佳的HO順序
|
結論
在越來越複雜的網路系統與多變的使用情境之下，很難由工程人員來管理、設定、維護。O-RAN在運營商主導之下，依其需求，提出開放硬體設計、開放介面、智能控制等目標，期望擺脫固定設備商的束縛，吸納更廣大的生態鏈來降低採購成本，且由智能網路調控與創新應用服務來降低維運成本、有效的資源使用、滿足使用者體驗，可間接增加營收。
展望未來，除了目前O-RAN設計的外掛智能管理功能之外，若未來的網路可以將智慧功能設計在核心網及接取網之中，應可做到全自動、不用人為介入的網路系統，提供用戶更好、更方便、更豐富的使用情境。
沒有留言:
張貼留言