Open Radio Access Network
PulseAugur coverage of Open Radio Access Network — every cluster mentioning Open Radio Access Network across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新的防御系统ORAN-DEFEND针对开放无线接入网中的后门攻击
研究人员开发了ORAN-DEFEND，一个旨在保护开放无线接入网（O-RAN）免受嵌入在第三方深度强化学习（DRL）xApp中的后门攻击的新系统。该防御机制通过将KPI窗口投影到通过可信数据奇异值分解识别出的安全子空间上来运行，而无需重新训练受损的xApp。该系统的有效性取决于后门触发器的能量是否集中在与安全子空间正交的子空间中。在Colosseum COLORAN数据集上的实证结果显示，针对各种DRL后门攻击，该系统实现了100%的…
-
新框架采用多智能体深度强化学习优化工业6G网络
研究人员开发了一个面向工业6G网络的新型框架，该框架整合了地面和非地面组件，包括无人机挂载的可重构智能表面（RIS）、地面无线电单元和高空平台（HAP）。该系统旨在改善在复杂环境中密集工业物联网设备的连接性。为应对优化数据速率、延迟和能耗的复杂性，采用了多智能体深度强化学习方法，并展示了相较于现有方法的显著改进。
-
新的自适应机器学习框架优化6G网络中的无人机轨迹
研究人员开发了一种新的自适应机器学习框架，用于优化无人机（UAV）在6G蜂窝系统中作为开放无线单元（O-RU）时的轨迹。该框架利用增强的持续迁移学习和模型选择机制，能够有效地适应新环境，减少了广泛重新训练的需求。通过利用预训练模型和真实世界数据，该系统与传统方法相比显著缩短了收敛时间，提高了整体网络效率和可靠性。
-
新的Oranits系统优化了智能交通中的AI任务卸载
研究人员推出Oranits，一个旨在优化基于开放无线接入网（Open RAN）的智能交通系统（ITS）中的任务分配和卸载的新系统。该系统通过明确考虑任务依赖性和将任务卸载到边缘服务器的成本，解决了现有研究的局限性。Oranits采用双管齐下的优化策略：一种基于元启发式的混沌高斯基础ARO（CGG-ARO）算法，以及一个多智能体双深度Q网络（MA-DDQN）深度强化学习框架。模拟表明，MA-DDQN的性能显著优于CGG-ARO和基线方法…
-
LLM agents in 6G networks overcome anchoring bias for energy efficiency
研究人员开发了一个新的框架，用于使用大型语言模型（LLM）代理在6G网络中进行自主资源协商。该研究识别并解决了这些LLM代理中的锚定偏差问题，该问题可能导致网络配置效率低下。提出了一种新颖的随机锚定策略，该策略使用截尾三参数威布尔分布进行建模，并与数字孪生集成，以减轻这种偏差。该方法通过双峰约束规避效用定理和来自1B参数模型的经验结果得到验证，旨在将能源效率提高高达25%，同时保持严格的服务级别协议。
-
提出面向6G网络物理系统的AI原生闭环安全
一篇新的调查论文提出了一种面向支持6G的网络物理系统（CPS）的AI原生闭环安全框架。该提议的系统旨在以毫秒级精度在网络边缘检测和缓解威胁，解决了传统安全模型的局限性。它集成了多种AI技术，包括联邦学习和数字孪生，以创建一个强大且自适应的安全管道。
-
新型AI智能体BRAIN增强6G网络适应性和可解释性
研究人员开发了一种名为BRAIN（贝叶斯主动推理）的新型AI智能体，专为未来的6G移动网络设计。该智能体利用深度生成模型和主动推理来统一感知和行动，为传统的深度强化学习方法提供了一种更具适应性和可解释性的替代方案。实验表明，BRAIN在动态无线资源分配方面表现出色，对流量变化具有更强的鲁棒性，并能实时解释其决策。
-
新 AI 框架通过可解释性增强 O-RAN 异常检测
研究人员开发了 XAInomaly，一个利用半监督深度收缩自编码器在开放无线接入网络 (O-RAN) 中进行异常检测的新框架。该方法旨在学习正常的网络行为并识别指示异常的偏差。为了克服深度学习的“黑箱”性质，该框架结合了一种称为 fastshap-C 的反应式可解释 AI 技术。
-
新型LiQSS模型为6G网络预测提供更快、更小的AI
研究人员开发了一种名为LiQSS（线性量子启发状态空间）的新模型，旨在改进6G网络的实时预测。这种后Transformer设计使用量子启发张量网络来实现线性时间序列建模，与基于Transformer的模型相比，显著减少了参数数量并提高了推理速度。LiQSS模型在预测参考信号接收功率（RSRP）的数据集上进行了评估，并展示了在不影响准确性的前提下大幅提高效率。
-
新框架使用可微分编程进行无线网络优化
研究人员开发了DIFFRACT，一个使用可微分编程优化无线网络的新框架。该方法将深度学习与优化技术相结合，以管理下一代系统（如卫星和Open RAN）中的动态干扰和服务质量。通过将迭代算法映射到可微分神经网络，DIFFRACT能够在网络边缘实现分布式、基于梯度的学习，以进行实时适应。
-
AI-RAN依赖性学习管道检测参数-KPI链接
研究人员开发了一个机器学习管道，用于检测AI驱动的无线网络中的参数到KPI依赖性。该方法将嘈杂的遥测数据转换为参数活动和性能结果的二进制指标。该系统使用带有植入依赖性的合成流量生成器进行了评估，证明了在信号与背景噪声区分开时恢复潜在结构的能力。这项工作是迈向可解释的AI-RAN控制系统依赖性学习的基础性一步。
-
DAST 框架使用 VLM-LLM 检测 O-RAN 网络异常
研究人员开发了 DAST，一个用于检测 Open Radio Access Networks (O-RAN) 中异常的新型框架。该系统利用视觉语言模型 (VLM) 和大型语言模型 (LLM) 管道来分析网络遥测数据，将其转换为视觉表示，并根据 O-RAN 知识对文本描述进行评分。DAST 在识别性能下降和拒绝服务攻击方面取得了高精度，优于现有的时间序列异常检测方法。
-
数字孪生和深度强化学习增强6G无人机网络资源管理
研究人员开发了一个新的框架，利用数字孪生和深度强化学习来管理无人机支持的6G网络中的频谱和资源。该方法通过优化无人机轨迹和频谱分配来应对动态环境和连接需求等挑战。模拟表明，在频谱效率、数据速率和能源使用方面都有显著的改进，为更自主的6G网络铺平了道路。
-
新的O-RAN框架利用AI对抗低延迟网络的干扰
本文介绍了一种用于管理Open RAN环境中无线资源分配的新框架，专门解决可能破坏低延迟网络切片的对抗性干扰的挑战。所提出的解决方案利用近实时RIC xApp在干扰事件期间主动管理积压并被动分配预留的物理资源块（PRB）。开发了一个掩码深度Q网络来学习最优控制策略，与现有方法相比，在延迟违规方面显著减少，并提高了预留效率。
-
DRL为VR优化6G网络切片及边缘缓存
研究人员开发了一个新的框架，用于优化6G网络中的资源分配和边缘缓存，该框架专门设计用于支持虚拟现实（VR）服务。该系统利用深度Q网络（DQN）学习，一种深度强化学习的形式，来动态管理跨多个网络切片的计算资源和内容分发。目标是在未来的6G环境中，满足沉浸式VR体验所需的严格低延迟和高带宽需求。
-
LLM编排的AI可加速O-RAN服务提供
研究人员开发了一种双脑架构，将大型语言模型（LLM）集成到开放无线接入网（O-RAN）系统中。该方法使用基于LLM的编排器进行意图翻译和代码生成，并结合一个名为NeuralSmith的自动化机器学习引擎进行按需模型训练。该系统旨在简化O-RAN内AI应用程序的创建和部署，解决当前手动且缓慢的流程。
-
提出基于6G网络的具身智能体低延迟架构
一篇新的研究论文提出了一种利用6G网络能力的具身智能体通信架构。该系统旨在满足与现实世界进行物理交互的智能体严格的、异构的通信需求。该架构包括人类意图感知、基于O-RAN的传输和智能中介层，实验结果显示延迟在毫秒级别。
-
深度学习模型 ACCoRD 解决 O-RAN 控制冲突
研究人员开发了一种名为 ACCoRD 的新深度学习方法，用于解决 Open Radio Access Networks (O-RAN) 中的控制冲突。该方法利用 Actor-Critic 强化学习算法（特别是 PPO-Clip）来训练人工神经网络。该系统分析网络数据和冲突决策，以推断最佳冲突解决操作，并根据反馈进行持续调整。模拟表明，在其中高流量条件下，ACCoRD 在减少负面网络事件方面显著优于传统的基于规则的方法。