温故知新AI/ML之八:AI典型用例之移动性优化
作者：微信文章本文是温故知新AI/ML之八：AI典型用例之移动性优化。温故知新AI/ML文章列表：温故知新AI/ML之一：AI/ML基本概念温故知新AI/ML之二：机器学习ML基础温故知新AI/ML之三：当前AI/ML用例分类温故知新AI/ML之四：3GPP中的AI/ML研究温故知新AI/ML之五：空口AI/ML应用方向温故知新AI/ML之六：AI典型用例之5G网络节能温故知新AI/ML之七：AI典型用例之负载均衡
移动性管理是一种通过最小化掉话、RLF、不必要的切换和乒乓效应来保证移动过程中服务连续性的方案。在未来的特别是高频网络中，随着单个节点覆盖范围的缩小，UE在节点间切换的频率会更高，尤其是高移动性UE。此外，对于可靠性、延迟等对QoS要求严格的应用，切换性能对用户体验质量（QoE）至关重要，因此移动性管理应避免切换失败并降低切换过程中的延迟。然而，对于传统方法而言，基于反复试验的方案很难实现近乎零失败的切换。切换失败是移动过程中丢包或额外延迟的主要原因，这对于不容忍丢包和低延迟的应用来说是意料之外的。此外，由于传输环境的随机性和不稳定性，基于反馈的调整效果可能较差。除了基本的移动性情况外，移动性优化领域还包括双连接、CHO和DAPS，它们各自在移动性优化中都有其他方面需要处理。背景信息参考如下文章：
2021随手记（34）R16针对NR移动性增强部分之CHO
SON的移动性方面可以通过使用AI/ML进行增强，包括：
- 降低意外事件的概率
- UE位置/移动性/性能预测
- 流量引导
降低与移动性相关的意外事件的概率：
此类意外事件的示例包括：
- 系统内过晚切换：UE在小区中停留较长时间后发生无线链路故障 (RLF)UE尝试在其他小区重新建立无线链路连接。
- 系统内过早切换：从源小区成功切换到目标小区后不久发生RLF，或在切换过程中发生切换失败；UE尝试在源小区重新建立无线链路连接。
- 系统内切换到错误小区：从源小区成功切换到目标小区后不久发生RLF，或者在切换过程中发生切换失败；UE尝试在源小区和目标小区以外的小区重新建立无线链路连接。
- 成功切换：在成功切换过程中，存在潜在问题。
RAN Intelligence可以观察多个切换事件及其相关参数，并利用这些信息训练其机器学习模型，尝试识别导致成功切换的参数集和导致意外事件的参数集。
UE位置/移动性/性能预测
预测UE位置是移动性优化的关键部分，因为许多与移动性相关的RRM操作（例如，选择切换目标小区）都可以从预测的UE位置/轨迹中受益。UE移动性预测也是优化早期数据转发（尤其是对于CHO）的一个关键因素。当 UE由特定小区提供服务时，预测UE性能是确定最佳移动性目标的关键因素，从而最大限度地提高效率和性能。
流量导向
通过调整切换触发点并选择最佳的Pcell/PSCell/Scell组合来服务用户，可以实现高效的资源处理。现有的流量导向也可以通过向RAN节点提供与移动性或双连接相关的信息来改进。例如，在发起切换之前，源gNB可以使用从邻近gNB接收的过去成功切换的UE性能反馈。同样，对于双连接的情况，在触发添加辅助gNB或触发SN变更之前，eNB可以使用过去从gNB接收的有关成功完成SN添加或SN变更过程的信息（反馈）。
在两个报告的示例中，移动性事件的源RAN节点或充当主节点的RAN节点（EN-DC的eNB、NR-DC的gNB）可以使用从另一个RAN节点接收到的反馈作为支持流量相关决策的AI/ML功能的输入（例如，在移动性的情况下选择目标小区，在另一种情况下选择PSCell/Scell），以便可以优化未来的决策。
一，AI/ML模型训练和AI/ML模型推理的位置
考虑到移动解决方案中AI/ML模型训练和AI/ML模型推理的位置，可以考虑以下两种方案：
- AI/ML模型训练功能部署在OAM中，而模型推理功能位于RAN节点内
- AI/ML模型训练功能和AI/ML模型推理功能均位于RAN节点内
此外，对于CU-DU 拆分场景，可以考虑以下方案：
- AI/ML模型训练位于CU-CP或OAM中，AI/ML模型推理功能位于CU-CP中
需要注意的是：gNB还可以基于在OAM中训练的AI/ML模型继续进行模型训练。
二，基于AI/ML的移动性优化的输入
移动性优化需要以下数据作为输入数据。
来自UE：
- UE位置信息（例如，坐标、服务小区 ID、移动速度），由gNB实现（如果可用）解析。
- 与UE位置信息相关的服务小区和邻小区的无线电测量数据，例如，RSRP、RSRQ、SINR。
- UE移动性历史信息。
来自相邻RAN节点：
- 来自邻节点的UE历史信息
- 切换后UE的位置、QoS参数和性能信息（例如，丢失率、延迟等）
- 当前/预测的资源状态
- 基于现有SON/RLF报告机制，UE过去成功和失败的切换，包括过早、过晚或切换到错误（次优）小区。
从本地节点：
- UE轨迹预测
- 当前/预测的资源状态
- 当前/预测的UE流量
三，基于AI/ML的移动性优化的输出
基于AI/ML的移动性优化可以生成以下信息作为输出：
- UE轨迹预测（UE在未来一段时间内的纬度、经度、海拔和小区ID）
需要注意：UE轨迹预测是否作为外部输出到承载模型推理功能的节点，应在规范工作阶段进行讨论。
- CHO的预计到达概率及相关置信区间
- 预测的切换目标节点、CHO中的候选小区，以及预测的置信度
- 优先级、切换执行时机、CHO的预测资源预留时间窗口。
- UE流量预测（将由RAN节点内部使用，具体细节留待规范工作阶段讨论）
- 模型输出的有效性时间将在R18规范工作期间根据推理输出进行讨论。
四，基于AI/ML的移动性优化的反馈
移动性优化需要以下反馈数据：
- QoS参数，例如吞吐量、切换用户设备的数据包延迟等。
- 来自目标NG-RAN的资源状态信息更新。
- 来自目标NG-RAN的性能信息。性能信息的具体细节将在规范工作阶段进行讨论。
五，对3GPP规范标准影响
为了改进gNB（gNB-CU）的移动性决策，gNB可以向邻近节点请求移动性反馈。该流程的具体细节将在规范阶段确定。如果gNB需要现有的 UE 测量数据来进行基于AI/ML的移动性优化，RAN3工作组应重用现有框架（包括MDT和RRM测量数据）。是否需要新的UE测量数据将根据用例描述留待规范阶段决定。
MDT流程的增强功能应在规范阶段进行讨论。
潜在的Xn接口影响：
- 从候选目标NG-RAN节点到源NG-RAN节点的预测资源状态信息和性能信息
- 通过Xn接口检索输入信息的新信令流程或现有流程。
- 通过Xn接口检索反馈信息的新信令流程或现有流程。
好好读书 坐而论道！
欢迎并感谢转发本公众号的文章。请在copy，翻译，修改并转发文章or文章中部分内容（文字，图片，视频等）时注明源自本公众号！！
页:
[1]