中文标题#
圖神經網絡在 O-RAN 移動性管理中的應用：一種鏈路預測方法
英文标题#
Graph Neural Networks for O-RAN Mobility Management: A Link Prediction Approach
中文摘要#
移動性能一直是蜂窩網絡到 5G 的關鍵關注點。 為了提高切換（HO）性能，3GPP 在 5G 中引入了條件切換（CHO）和第 1 層 / 第 2 層觸發的移動性（LTM）機制。 雖然這些反應式 HO 策略解決了 HO 失敗（HOF）和乒乓效應之間的權衡，但由於額外的 HO 準備，它們通常會導致無線電資源利用效率低下。 為了解決這些挑戰，本文提出了一種主動 HO 框架，用於 O-RAN 中的移動性管理，利用用戶 - 小區鏈路預測來確定最佳目標小區進行 HO。 我們探討了各種圖神經網絡（GNNs）用於鏈路預測，並分析了將它們應用於移動性管理領域的複雜性。 使用真實世界的數據集比較了兩種 GNN 模型，實驗結果證明了它們捕捉蜂窩網絡動態和圖結構特性的能力。 最後，我們總結了研究中的關鍵見解，並概述了未來步驟，以實現基於 GNN 的鏈路預測在 O-RAN 網絡中的移動性管理集成。
英文摘要#
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 获取#
抖音掃碼查看更多精彩內容