AI/ML for multi-technology RAN automation with full and limited infrastructure support

Abstract

(English) This thesis studies and proposes solutions to some of the most relevant challenges in the Radio Access Network (RAN) management arising from its evolution beyond 5G and towards 6G. The tackled problems are selected due to the increasing inherent complexity with which these technologies come along, which justifies the need for Artificial Intelligence and Machine Learning (AI/ML) techniques. In particular, we identify two axes of complexity: the infrastructure support complexity axis (x-axis), where the complexity varies based on the level of infrastructure support, and the technology complexity axis (y-axis), which captures the complexity variation based on the number of technologies to be operated in a coordinated way. Based on these axes, we define three RAN scenarios: infrastructure-based single-technology, infrastructure-based multi-technology, and limited infrastructure-based single-technology. The main objective is to study these scenarios in depth and identify a set of representative use cases along these axes that can be addressed with AI/ML solutions to automate RAN. In this line, our methodology consists of a three-step approach, using existing and implementing new high-fidelity and standard-compliant simulation models of the open-source ns-3 and 5G-LENA system-level simulators coupled with the proposed AI/ML frameworks.

In the first step, we focus on the two use cases, 1) handover (HO) management and 2) initial Modulation and Coding Scheme (MCS) selection in the infrastructure-based single-technology RAN scenarios. The traditional HO schemes have the drawback of considering only the quality of signals from the serving and the target BS to make a HO decision, which can impact users´ QOE. Also, the initial MCS at the start of the session is usually handled conservatively, i.e., the lowest MCS is assigned to a mobile device that connects to a new BS, impacting its initial throughput. To address these drawbacks, we propose AI/ML solutions prioritizing QoE for HO decisions and optimizing initial MCS allocation using network data. First, we design single-task AI/ML models for each use case, then propose a multi-task framework for addressing multiple use cases concurrently, reducing training costs.

In the second step, we deal with the infrastructure-based multi-access technology scenarios by focusing on the coexistence of License Assisted Access (LAA) and LTE-Unlicensed (LTE-U) with WiFi. These technologies must ensure fair coexistence to operate in the unlicensed spectrum. However, this thesis discovers that the inherent delay in receiving HARQ feedback in the LAA enables it to monopolize the channel, which then degrades neighboring WiFi networks' performance. To solve this, we propose an AI/ML-based scheme that infers feedback without delay. Our scheme achieves a favorable trade-off between WiFi fairness and LAA performance in terms of throughput and latency compared to benchmark approaches. Additionally, we propose a statistical framework to evaluate fairness in LAA and LTE-U coexistence with WiFi, confirming LAA's better fairness over LTE-U's.

Finally, in the third step, we focus on the limited infrastructure-based single-technology RAN scenarios. Without base stations, in these scenarios, operations like resource selection and scheduling are uncoordinated, introducing another level of complexity. Specifically, this thesis focuses on vehicle-to-vehicle communication with limited infrastructure, where a roadside unit broadcasts basic information using 3GPP NR-V2X technology. Nevertheless, vehicle resource selection in NR-V2X involves continuous channel sensing, but it consumes more energy. Alternatively, not employing sensing saves energy but increases interference. Hence, an energy-performance trade-off arises. To address this, we propose an AI/ML-based partial sensing mechanism to dynamically balance V2X user performance and energy consumption, surpassing the manual configuration of standard sensing parameters.

(Español) Esta tesis propone soluciones para desafíos relevantes en la gestión de la RAN (Radio Access Network) de la red celular,en su evolución entre 5G+ y l 6G. Los problemas abordados son seleccionados en función de la creciente complejidad de la RAN, lo cual justifica la introducción de técnicas de AI (Artificial Intelligence)/ML (Machine Learning). En particular, identificamos dos ejes de complejidad: el delde infraestructura, donde la complejidad varía según el nivel de soporte de la infraestructura, y el tecnológico, que captura la variación de complejidad basada en el número de tecnologías que operan de manera coordinada en la misma banda. Basándonos en estos ejes, definimos tres escenarios: 1) una sola tecnología con soporte de infraestructura, 2) múltiples tecnologías con soporte de infraestructura y 3) una tecnología con infraestructura limitada. El objetivo es estudiar estos escenarios e identificar un conjunto de casos de uso representativos que puedan abordarse con soluciones de AI/ML para automatizar la RAN. Nuestra metodología consiste en un enfoque de tres pasos, utilizamos modelos de simulación de sistema de código abierto, basados en ns-3 y 5G-LENA, e implementamos nuevos modelos compatibles con estándares 3GPP/IEEE, junto con los marcos propuestos de AI/ML.

En el primer paso, nos centramos en dos casos de uso: 1) HO (handover), y 2) MCS (Modulation and Coding Scheme) en los escenarios de RAN basados en una sola tecnología con soporte de infraestructura. Los esquemas de HO tradicionales tienen la desventaja de considerar en la toma de decisión de HO únicamente la calidad de la señal en la estación base (BS) servidora, y en otra posible BS objetivo, el que puede afectar la calidad de experiencia (QoE) de los usuarios. Además, el MCS inicial de la sesión, generalmente se gestiona de manera conservadora, es decir, se asigna el MCS más bajo a un usuario que se conecta a una nueva BS, yesto afecta su rendimiento inicial. Para abordar estas limitaciones, proponemos soluciones de AI/ML que priorizan la QoE para los HO y optimizan la asignación inicial de MCS utilizando experiencia extraída de datos de la red. En primer lugar, diseñamos modelos de AI/ML de tarea única para cada caso de uso, luego proponemos un marco de trabajo de múltiples tareas para abordar varios casos de uso de manera simultánea, reduciendo los costes de entrenamiento.

En el segundo paso, abordamos los escenarios de tecnología de acceso múltiple basados en infraestructura, centrándonos en la coexistencia de LAA y LTE-U con WiFi. Estas tecnologías deben garantizar una coexistencia justa para operar en el espectro sin licencia. Sin embargo, observamos que el retardo propio del mecanismo HARQ en LAA promueve un uso injusto del canal, así degradando el rendimiento de otras redes WiFi. Para resolver este problema, proponemos una solución AI/ML que estime la retroalimentación del HARQ. Nuestro esquema logra un compromiso entre equidad de utilización del canal de las dos tecnologías y las prestaciones, en comparación con otras referencias. Además, proponemos un marco estadístico para evaluar la equidad en la coexistencia de LAA y LTE-U con WiFi, confirmando la mayor equidad de LAA en comparación con LTE-U.

Finalmente, nos centramos en escenarios RAN basados en una sola tecnologia i con infraestructura limitada. Sin BS, en estos escenarios, las operaciones no estan coordinadas, y esto añade complejidad. Específicamente, nos centramos en la comunicación entrevehiculos con soporte de infraestructura limitado, donde una infrastructura al lado de la carretera transmite información bàsica, utilizando la tecnologia 3GPP NR-V2X. La gestión de recursos en en NR-V2X implica unacontínua monitorización del canal, que consume energia. reducir la monitorización ahorra energia, pero aumenta la interferencia. Para esto, proponemos un mecanismo de monitorización basado en AI/ML, que busque un comprimiso entre prestaciones y consumo energético.