工業技術研究院 資訊與通訊研究所 温太銘

5G專網每種應用情境都有不同等級的網路效能需求，促使5G開放式網路架構應運而生。

5G不僅適用於公眾行動網路，更可依據特定應用搭建專用的網路，也就是通稱的5G專網，5G專網應用情境豐富多元，每種情境都有不同等級的網路效能需求，因此需要一套開放、智能的網路架構才可因地制宜，近年來主打開放介面的5G開放式網路（Open Radio Access Network, O-RAN）應運而生，電信相關各類業者均積極投入尋找O-RAN專網應用的新藍海。 

O-RAN無線專網管理

早期電信商如果想要布建行動網路，都必須向國際傳統電信設備大廠購買整套解決方案，包含基地台與管理軟體等，選擇相當侷限且規格封閉，採購成本自然居高不下，也很難因應5G不同的應用情境提供客製化、具差異性的服務。近年來愈來愈多廠商提出開放式架構的討論，讓5G導入開放式架構進而擴大供應鏈，各家軟硬體廠商均可雨露均霑，共組5G專用網路，因此O-RAN聯盟應運而生。

O-RAN聯盟自2018年成立以來，陸續制定開放式架構與互通介面的規格，並推動實現基於大數據的智能無線網路，如圖1所示。主要元件包含Service Management and Orchestration（SMO）、Near-Real Time RAN Intelligent Controller（Near-RT RIC）、一體式或分散式基站與O-Cloud等，各元件中間透過O-RAN定義好的開放介面互通，因此各家軟硬體廠商只要滿足介面需求，即可根據各式各樣的專網需求開發自家產品，又因專網複雜的應用情境，因此負責管理功能的SMO與RIC承擔起網路是否智慧的關鍵，經由SMO與RIC將可實現自驅動智能網路的願景。

圖1 O-RAN架構

SMO主要提供網路設備的管理服務，介面上可透過與O1介面進行FCAPS（Fault, Configuration, Accounting, Performance, Security）管理，透過O2介面進行雲端計算平台（O-Cloud）資源及負載管理。SMO內部包含RAN EMS與Non-Real Time RAN Intelligent Controller（Non-RT RIC），RAN EMS負責基站的故障（Fault）、配置（Configuration）、審計（Accounting）、性能（Performance）、安全（Security）的管控，Non-RT RIC負責資料分析、訓練機器學習模型、Enrichment Information提供、Policy制定。Non-RT RIC分別從RAN EMS及應用服務端取得RAN與用戶相關資料，再透過機器學習方法針對特定目的進行訓練識別、預測模型或做模型的監控與管理，且可透過A1介面將機器學習模型布署於Near-RT RIC，即時調整網路資源配置，Non-RT RIC指導策略設定可超過1秒以上的反應時間。

Near-RT RIC則可透過E2介面接收與分析來自RAN的即時資訊與Non-RT RIC的策略設定，對RAN參數進行即時調整，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，也可動態回報最新的服務狀態回饋給Non-RT RIC進行策略的調整，反應時間小於1秒。參考表1為比較Non-RT RIC與Near-RT RIC的可應用情境，舉例來說，物理小區標示（PCI）可由Non-RT RIC進行配置規劃，在實際場域運行時，Near-RT RIC可即時發覺PCI衝突發生給予解決辦法，其他如移動換手（MHO）、流量引導（Traffic Steering）與網路切片管理（RAN Slice Management），均可由Non-RT RIC進行策略與門檻參數的設定規劃，再由Near-RT RIC完成執行的策略。

表1 Non-RT RIC與Near-RT RIC的應用情境舉例

 

O-RAN與機器學習

有鑑於機器學習對於解決複雜的5G O-RAN專網應用問題之必要性，O-RAN Alliance特別制定O-RAN導入機器學習工作流程的指導方針。一般所謂的工作流程是為了實現目標在多個參與者之間按照既定規則執行任務，在機器學習裡面即是資料收集、資料前處理、訓練、預測、模型管理與效能監控等過程，以下分別介紹在O-RAN技術文件中說明的可布署方式與應用案例。

概觀與布署方式

在Non-RT RIC技術文件中，說明支援機器學習服務流程可由兩種方法實現，第一種為導入機器學習操作工具至Non-RT RIC，第二種方法為整合連接第三方的機器學習服務伺服器，功能上則是需要支援機器學習訓練、預測與模型的監控管理。如果將每一個工作流程視為功能模組，機器學習工作流程的布署情境可分為五種，這五種布署方式將可依照使用情境來選擇。

• 布署情境1：為所有的工作流程（資料收集、資料前處理、訓練、預測、模型管理與效能監控）均放在Non-RT RIC，這種布署方式最為簡顯易懂，但需要應用情境的反應時間可以大於1秒。
• 布署情境2：為除了預測放在Near-RT RIC其餘放在Non-RT RIC，這種情境適合需要小於1秒的預測，即時的使用預測數據。
• 布署情境3：為預測與效能監控放在Non-RT RIC，其他放在Non-RT RIC外SMO裡面，此種方法可增加數據收集的效率。
• 布署情境4：為如果離線訓練（off-line）的話放在Non-RT RIC，在線訓練（online）的話放在Near-RT RIC，目的也是提升重新訓練（Re-train）的效率。
• 布署情境5：為將預測放在O-CU／O-DU其他放在Non-RT RIC，目的即為需要更快速的預測。

應用案例

表2 機器學習應用範例

智能無線專網控制管理技術

工研院自主研發一套基於O-RAN架構的智能無線專網控制管理平台（SMO／RIC），如圖2所示，大致可分為三大部分。

圖2 智能無線專網控制管理平台（SMO／RIC）

第一部分為SMO的框架與使用者介面，相當於O-RAN架構的RAN EMS，負責管理組網內的基站。第二部分為Non-RT RIC的框架（Framework）與應用軟體（rApp），參考圖3為Non-RT RIC GUI，框架（Framework）負責應用軟體的上下架、健康、註冊、認證、授權等管理，且支援可操作機器學習的工作流程，並透過介接介面（A1／R1／SMO）與其他元件交換訊息；應用軟體（rApp）則可以是具備網管功能的應用程式，比如說ANR（Automatically Neighbor Relations）自動建立鄰近基地台的關係，以確保用戶裝置在移動中換手（Handover）的穩定性、CCO（Coverage and Capacity Optimization）自動優化訊號覆蓋範圍與容量。在ITRI的智能無線專網控制管理平台的rApp不單僅有工研院自主開發，也可外接第三方軟體，如同手機應用程式上下架在商店一樣，只要透過R1介面即可與框架（Framework）交換訊息。第三部分為Near-RT RIC，其上的應用軟體（xApp）可利用框架（Framework）經由E2介面控制基站如換手時機等策略。

圖3 Non-RT RIC GUI

本平台提供使用者GUI或API方式來做訓練、預測或模型的管理監控，且應用軟體可透過介面操作取得各式模型進行調整預測數據。舉例來說，異常檢測（Abnormal Detection）應用軟體（rApp）透過R1介面向Non-RT RIC的框架（Framework）取得基站端的數據，包含終端量測數據、基站效能指標與網路效能指標，整理成可訓練的資料，並呼叫機器學習工作流程的工具進行模型調教與訓練，將此模型儲存，往後即可預測並監控準確度，當準確度每況愈下時啟用重新訓練機制，由新一組數據訓練得到更優化的模型。
 

結論 

O-RAN開放式網路架構應用在5G網路需搭配因地制宜的智能網管才可滿足各式各樣的專網應用，比如說無人機電競專用網路，高速的終端移動特性需要非常快速的換手策略，複雜龐大的資訊量無法使用傳統方式來判斷，需要即時且智能的系統來進行決策；又如低碳節能的智慧工廠需要根據班表控制基站模式來降低碳排，根據使用者過往經驗模式導入機器學習來預判節能策略，只要是可想得到的應用就可透過專網的布建來滿足，組建更廣大的生態鏈來降低採購成本，且由智能無線專網控制管理平台與創新應用服務來降低維運成本，提供高品質使用者體驗，增進產業效益。

在未來，期許往資料自主驅動的人工智能網管系統發展，根據不同網路應用進行切片管理來達到確定性網路，這種新世代專網管理技術將大幅提高應用可期性與易用性，在這片藍海中掀起一波科技浪潮。

參考文獻 

[1] O-RAN Alliance, O-RAN Architecture-Description (WG1), 2022.
[2] O-RAN Alliance, O-RAN AI/ML workflow description and requirements (WG2), 2022.
[3] O-RAN Alliance, O-RAN Non-RT RIC Architecture (WG2), 2022
[4] O-RAN Alliance, O-RAN Near-RT RAN Intelligent Controller Near-RT RIC Architecture, 2022
[5] O-RAN Alliance, O-RAN Operations and Maintenance Architecture (WG10), 2022.
[6] Ericsson, Ericsson Intelligent Automation Platform: Solution Brief, 2021.
[7] Solmaz Niknam, Abhishek Roy, etc., Intelligent O-RAN for Beyond 5G and 6G Wireless Networks, Electrical Engineering and Systems Science, 2021.