日本語タイトル#
O-RAN モビリティ管理におけるグラフニューラルネットワークの応用：リンク予測アプローチ
英文タイトル#
Graph Neural Networks for O-RAN Mobility Management: A Link Prediction Approach
日本語要約#
モビリティ性能は、5G までのセルラーネットワークにおいて重要な焦点となっています。 ハンドオーバー（HO）性能を向上させるために、3GPP は 5G において条件付きハンドオーバー（CHO）と第 1 層 / 第 2 層トリガーモビリティ（LTM）メカニズムを導入しました。 これらの反応的 HO 戦略は、HO 失敗（HOF）とピンポン効果の間のトレードオフに対処しますが、追加の HO 準備のために無線リソースの利用効率が低下することがよくあります。 これらの課題を克服するために、本稿では、O-RAN におけるモビリティ管理のためのプロアクティブな HO フレームワークを提案し、ユーザー - セルリンク予測を利用して HO の最適なターゲットセルを特定します。 リンク予測のためのさまざまなグラフニューラルネットワーク（GNN）のカテゴリを探求し、それらをモビリティ管理分野に適用する際の複雑さを分析します。 実世界のデータセットを使用して 2 つの GNN モデルを比較し、実験結果はそれらがセルラーネットワークの動的およびグラフ構造的特性を捉える能力を示しています。 最後に、研究からの重要な洞察を提示し、O-RAN ネットワークにおけるモビリティ管理のための GNN ベースのリンク予測の統合を実現するための今後のステップを概説します。
英文要約#
Mobility performance has been a key focus in cellular networks up to 5G. To enhance handover (HO) performance, 3GPP introduced Conditional Handover (CHO) and Layer 1/Layer 2 Triggered Mobility (LTM) mechanisms in 5G. While these reactive HO strategies address the trade-off between HO failures (HOF) and ping-pong effects, they often result in inefficient radio resource utilization due to additional HO preparations. To overcome these challenges, this article proposes a proactive HO framework for mobility management in O-RAN, leveraging user-cell link predictions to identify the optimal target cell for HO. We explore various categories of Graph Neural Networks (GNNs) for link prediction and analyze the complexity of applying them to the mobility management domain. Two GNN models are compared using a real-world dataset, with experimental results demonstrating their ability to capture the dynamic and graph-structured nature of cellular networks. Finally, we present key insights from our study and outline future steps to enable the integration of GNN-based link prediction for mobility management in O-RAN networks.
PDF 取得#
抖音でスキャンしてさらに素晴らしいコンテンツを確認