您的瀏覽器不支援JavaScript語法,但是並不影響您獲取本網站的內容。

趨勢觀點

O-RAN吹起無線通訊革命風潮

工研院資通所 蔡長嵐 林萬怡 邱碧貞

O-RAN Alliance由C-RAN Alliance與xRAN Forum兩個組織合併,主導成員包括美、中、日、歐…各大行動網路運營商,藉由網路功能虛擬化、訂立開放的介面、公開設計硬體,擴大供應鏈及互通性,以降低採購成本;並以軟體實現網路功能及智能控制,依需求自動的調節網路資源,提供AR/VR、自駕車、無人機…等創新的服務,並提升用戶使用各項應用服務的體驗感受,藉此增加營收。

精彩內容


1. O-RAN系統架構,新增功能

    .服務管理與編排(Service Management and Orchestration)

    .非即時網路智能控制(Non-RT RAN Intelligent Controller)

    .近即時網路智能控制(Near-RT RAN Intelligent Controller)

2. 應用範例

3. 資料分析與機器學習機制

O-RAN系統架構

過去行動網路設備依賴大廠提供專賣的軟硬體,運營商的設備採購與可提供的服務均需仰賴設備商,無法為客戶提供彈性/快速、客製、差異化的服務。

O-RAN是Open Radio Access Network的縮寫,提倡開放介面、開放軟/硬體,讓硬體設備容易採購與升級,並藉由軟體創作,快速部署應用服務、滿足不同客戶需求,增加營收項目。這觀點就像是在iOS或Android開放平台上所締造的豐富產業鏈、創造的新應用,消費者可選購各家製造的手機,可安裝各種的應用程式。

O-RAN提出的系統架構[2],基於3GPP的無線接取網(RAN)架構[3]上,增加Service Management and Orchestration(SMO)、Non-Real Time RAN Intelligent Controller(Non-RT RIC)與Near-RT RIC等功能組成,以及O1、O2、A1、E2介面,支援智慧控制的機制。如圖1所示。此外,還有公開的Distributed Unit(DU)、Radio Unit(RU)、Fronthaul(FH)等硬體參考設計,期望能擴大供應鏈。
[註]:把3GPP架構的各元件(CU、DU、RU)前綴“O-”代表其支援O-RAN所新增的介面及功能。

圖1 O-RAN架構。

圖1 O-RAN架構。

服務管理與編排(Service Management and Orchestration)

SMO提供網路設施的管理服務,其管理介面及管理內容包括:

.­O1介面:錯誤、組態、會計、效能、安全(Fault, Configuration, Accounting, Performance, Security (FCAPS)管理
.­O2介面:雲平台(O-Cloud)的資源及負載管理
.­OFH M-Plane介面:對O-RU的管理

非即時網路智能控制(Non-RT RAN Intelligent Controller)

Non-RT RIC位於SMO內,功能包括資料分析、訓練機器學習模型、提供額外資訊(Enrichment Information)、設定方針(Policy)。
Non-RT RIC的資料分析與訓練機器學習模型功能:從SMO獲取RAN相關資料、及從應用服務端獲取用戶相關資料,應用機器學習方法,針對個別目的,以off-line方式訓練識別或預測模型,將機器學習模型部署於近即時網路智能控制器(Near-RT RAN Intelligent Controller),可因應流量與環境的變化,主動/提前調整網路資源配置。

.­­A1介面:設定個別或一群用戶的指導方針,例如QoE目標、偏好的cell或頻帶

本介面的指導方針設定或調整周期有1秒以上的反應時間或間隔。

近即時網路智能控制(Near-RT RAN Intelligent Controller)

Near-RT RIC位於RAN內,接收與分析來自RAN的即時資訊,結合Non-RT RIC提供的額外資訊,並利用Non-RT RIC部署的機器學習模型,監控或預測用戶連線狀況的變化,一旦發現可能達不到Non-RT RIC設定的方針,則需對RAN參數進行調整,例如調整資源分配、傳輸率、傳輸優先性、切換連接點、換手…等方式,使各用戶可繼續維持既定的方針目標。

.­E2介面:對接取網(RAN)進行調整

因可監控近即時的網路狀況,本介面控制的反應時間與周期在1秒以內。

如圖2所示,在Near-RT RIC中有個別的應用程式(xApp)來針對不同的應用情境,進行資料監控與對RAN的功能(Func)做參數調整。有時要維持一個xApp的應用情境需調整多個RAN功能才能達到目的,也可能遇到不同的應用情境會去調整相同RAN功能的狀況,所以Near-RT RIC有時需要調節參數調整上的衝突。

圖2 Near-RT RIC中xApp與RAN功能關聯。

圖2 Near-RT RIC中xApp與RAN功能關聯。

應用情境(Use Case)

O-RAN Alliance提出九個應用範例[2],其中前四個為基本應用,也是第一階段優先實測與驗證的項目。應用情境針對不同服務對象,例如高需求用戶(AR/VR、線上遊戲、遠端及時控制、機器人)、移動車輛、無人機,以滿足用戶體驗與服務協定為目標,藉由資料分析與機器學習等方式,預測資料流量或環境的變化,動態的調整網路參數及資源調配。各應用範例的目標即可採用的方法如表1所述。

表1 應用範例說明[6]

應用範例 目的 方法

資料傳輸導向
Traffic Steering

平衡cell的負載 預測網路負載變化,提早將(部分)UE或其資料流分流到鄰近cell或頻帶

體驗品質優化
QoE Optimization

個別設定體驗品質(QoE) 分辨資料型態、預測可用頻寬、預測QoE

服務品質參數做資源優化
QoS based Resource Optimization

個別設定服務品質(QoS) 調整QoS值,例如最小速率、優先值

大規模天線優化
Massive MIMO Optimization

Cell覆蓋與系統容量最佳化 調整波束數、水平/垂直波束寬、波束方向

無線網路切片服務保證
RAN Slice SLA Assurance

滿足服務保證(Service Level Agreement) 預測需求與網路變化,調整網路切片所需資源

依環境對車輛換手管理
Context Based Dynamic Handover Management for V2X

降低高速移動車輛換手(handover, HO)異常狀況 依據過往換手成功率及移動軌跡預測,提供較好的換手順序建議

依無人機飛行路徑資源配置
Flight Path Based Dynamic UAV Resource Allocation

為高空無人機調整所需無線資源 預測飛行路線、可能造成的干擾、cell所剩資源,進而調配無線資源

無人機的資源配置
Radio Resource Allocation for UAV Applications

低空作業無人機控制與資料回傳資源分配 與應用伺服器協作,在接取網(邊緣)調整無線資源

網路共享
RAN Sharing

網路功能虛擬化(NFV),讓運營商共用硬體與網路 運營商可由O1/O2介面設定NFV需求,由E2介面監控無線資源

資料分析與機器學習機制

隨著智慧手機與應用服務的興起,應用服務產生的數據已被廣泛應用在推薦系統、影像、語音…等。而無線網路本身也擁有許多數據,包括用戶位置、信號強度、資料傳輸、系統異常狀況…等,過去只用在個別基地台做為無線資源排程用途,且因為即時排程需在1 ms以內反應,所以均採用簡單的演算法。

4G提出的自組織網路(Self-Organization Network, SON),其目標是可自動設定(Configuration)基站參數、優化(Optimization)網路運作、自癒(Healing)設備或功能錯誤狀況。

傳統的SON作法,先將系統化成數學模型,由設計者依其知識及認知,將待解問題表示成數學函數,再設計演算法找到目標函數的最佳解,即所謂的優化過程。通常系統模型是假設在穩定的環境,求解是設定在長程平均的目標。

而新世代(5G)的網路綜合了多種傳輸技術、多個頻帶、大小基站異質部署、迥異傳輸環境變化…等複雜狀況,同時要滿足不同應用所需求的頻寬、時延、準確性…等條件,不僅系統模型複雜、變化性、交互影響,以至於目標函數難以定義,且難以用數學方法找到最好的解方。而且,以長程平均的目標來看,無法針對通訊環境的易變性去做到即時的因應修正,因此無法提升用戶的使用體驗品質。

近幾年,機器學習理論再次復甦,藉由大數據分析、開源軟體、強大的硬體能力…等要素結合之下,機器學習的準確率已超過人類可以設計的範圍,在圖像識別、語音識別與翻譯、醫療影像判別、智慧製造、自駕車…等應用已有顯著成果。

為了有效蒐集網路資訊以利分析與應用,5G網路已具備網路資料分析功能(Network Data Analysis Function, NWDAF)[4],再加上O-RAN提出的SMO、Non-RT RIC、Near-RT RIC功能與開放介面,機器學習將可實際應用在通訊網路上,讓網路自動化、更有效率、更滿足使用者體驗,同時減低運營商設備成本、降低維運人力、增加額外營收。

表2簡列幾個應用範例的功能/目標,藉由大量的輸入資料,以機器學習的方法,評估或預測輸出指標,來達成目標。本文不詳述機器學習方法及模型,讀者可參考網路資料或教課書[5]。表2僅為舉例,其功能、輸入輸出資料型態,或還有其他應用與功能,由網路營運商依其需求、以及要提供給使用者的服務種類而定,可自行開發或委託設計。

表2 各應用範例可採用的機器學習方式 [7]

應用範例 功能 輸入資料 輸出資料
資料傳輸導向 預測負載 過去使用的上下行實體無線資源塊(PRB)數量 未來需要的上下行PRB數量
建立無線特徵圖譜 服務基站編號、鄰近基站編號、信號強度、信號品質 信號圖譜
體驗品質優化 服務型態分類 資料流量 服務型態
預測QoE

量測報告,例如
-    傳輸率
-    延遲
-    封包到達時間
-    UE信號強度
-    換手統計
上下行無線資源使用率

品質指標,例如:
-    good/bad
-    影像停滯率
平均評估值(Mean Opinion Score, MOS)

可用無線資源預測 未來可用頻寬
以體驗品質來導向資料 預測網路效能變化 如上 預測基站容量
QoE預測 如上

不同基站的QoE指數good/bad

推薦資料卸載方向 前兩項的輸出 選定偏好/優先的cell做為下行傳輸
車輛換手管理 預測HO異常

-    車聯網(V2X)訊息(CAM,DENM)
-    cell編號
-    連線編號
-    信號強度/品質
-    GPS
方向、速度

HO異常/機率
提供較佳HO順序 較佳的HO順序

 

本部門團隊過去幾年已完成多項SON功能,並與國內網通廠商合作,應用在其4G小基站設備上。面對5G的展望,本部門團隊規劃建立智能與自動化的管理平台(即圖1中的SMO、Non-RT RIC、Near-RT RIC),可依O-RAN介面,結合網通廠商的5G RAN設備,針對網路維運與應用服務的不同需求,實現優化的目標,也會在各種應用場域上,實地測試與驗證功能與效能,調整軟體演算法與架構,朝向商用化的方向邁進。


結論

在越來越複雜的網路系統與多變的使用情境之下,很難由工程人員來管理、設定、維護。O-RAN在運營商主導之下,依其需求,提出開放硬體設計、開放介面、智能控制等目標,期望擺脫固定設備商的束縛,吸納更廣大的生態鏈來降低採購成本,且由智能網路調控與創新應用服務來降低維運成本、有效的資源使用、滿足使用者體驗,可間接增加營收。

展望未來,除了目前O-RAN設計的外掛智能管理功能之外,若未來的網路可以將智慧功能設計在核心網及接取網之中,應可做到全自動、不用人為介入的網路系統,提供用戶更好、更方便、更豐富的使用情境。

參考資料

[1]O-RAN Whitepaper, “O-RAN: Towards an Open and Smart RAN”, October 2018.
[2]O-RAN Whitepaper, “O-RAN Use Cases and Deployment Scenarios”, February 2020.
[3]3GPP TS 38.401, “NG-RAN Architecture description”, V15.8.0, January 2020.
[4]3GPP TS 29.520, “5G System; Network Data Analytics Services”, V16.2.0 December 2019.
[5]I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016, http://www.deeplearningbook.org.
[6]O-RAN Specification, “Use Cases Detailed Specification”, v02.00, April 2020.
[7]O-RAN Specification, “AI/ML Workflow Description and Requirements”, v01.01, April 2020.

延伸閱讀