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.
4 天有情绪数据
-
轻量级 LLM 在 5G 故障分析方面进行评估，Gemini-3.1-Flash-Lite 在效率方面领先
一篇新的研究论文评估了轻量级 LLM 在理解 5G 领域知识和执行故障分析方面的能力。该研究使用“LLM 作为裁判”的方法，在自由文本诊断任务上评估了 Claude-Haiku-4.5、GPT-5.4-Mini 和 Gemini-3.1-Flash-Lite 等模型。虽然所有模型在故障诊断方面的准确率都超过 90%，但它们在回忆具体的 3GPP 和 O-RAN 规范方面遇到了困难。由于其准确性、低推理成本和延迟的平衡，Gemini-3…
-
AI 框架增强 6G 无线网络异常检测能力
研究人员为下一代无线网络（特别关注开放无线接入网络 O-RAN，并以 6G 能力为目标）开发了一个异常检测框架。该框架利用可解释人工智能 (XAI) 来高精度、高效率地识别恶意流量。一项重要发现是，通过使用 XAI，可以在不牺牲检测准确性的情况下将数据集的复杂性降低 80%，并识别出了协议类型和带宽等关键攻击特征。
-
相位感知卷积神经网络推动 5G/6G 信道估计进入实时阶段 · 已追踪 2 个来源
研究人员开发了一种用于 5G 和 6G 无线系统实时信道估计的相位感知卷积神经网络 (CNN)。该方法旨在克服传统方法和现有深度学习技术在准确重建信号相位方面的局限性。该 CNN 利用正弦和余弦表示进行相位感知输入编码，并采用轻量级架构，能够在边缘设备上实现稳定的相位预测和高效的实时推理。验证包括使用开放无线接入网 (O-RAN) 测试台进行硬件在环测试，与最小二乘法和 MMSE 基线相比，证明了准确性和泛化能力的提高。
-
面向6G开放RAN的新型MIMO波束映射框架
研究人员为面向未来6G网络智能开放RAN开发了一种新颖的自定位MIMO波束映射框架。该系统使用稀疏信道状态信息（CSI）构建分层无线记忆，无需显式位置标签。该框架利用波束域接收信号强度（RSS）进行高效的空间签名估计，并结合双尺度提取器和混合时间编码器来捕捉复杂的信道动态。实验表明，与现有方法相比，物理锚点恢复和信道容量有了显著提高。
-
新型联邦模型通过物理约束增强O-RAN SLA风险预测能力
研究人员开发了Monotone FedNAM，这是一种联邦加性模型，用于预测Open Radio Access Networks (O-RAN)中的服务水平协议 (SLA) 风险。该模型解决了在不汇集敏感的每切片KPI数据的情况下跨基站进行训练的挑战，这对于多租户O-RAN环境至关重要。通过为具有清晰物理关系的KPI纳入物理约束单调样条，Monotone FedNAM确保了模型的可审计性和有效性，消除了非约束模型出现的违规现象，并将约…
-
JEPA 提议用于 AI 原生 6G 网络
研究人员提议将联合嵌入预测架构 (JEPA) 集成到 AI 原生的第六代 (6G) 网络中。这种自监督学习方法旨在在复杂的 6G 环境中实现从有限标签和多样化数据类型中进行高效学习。所提出的方法包括对各种无线和网络数据进行分词，对其部分进行掩码，并使用学习到的编码器作为不同网络功能的预测表示层。一项关于波束管理的案例研究表明，与传统的监督方法相比，JEPA 可以提高标签效率和鲁棒性。
-
ADORN 使用强化学习管理开放无线接入网中的 AI/ML 模型漂移
研究人员开发了 ADORN，这是一种管理开放无线接入网 (O-RAN) 中使用的 AI/ML 模型的性能漂移的新方法。该系统利用基于 Q 学习的强化学习代理来做出自适应再训练决策，平衡预测准确性与计算成本。ADORN 采用多专家长短期记忆 (LSTM) 集成，以防止灾难性遗忘并增强模型在不同流量条件下的鲁棒性。实验结果表明，与现有方法相比，ADORN 显著降低了再训练开销，同时确保系统性能保持在服务水平协议之内。
-
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。