AI/ML for NG-RAN enhance主体提案编号：RP-232889
一、文档摘要（AI生成）
本文档讨论了使用人工智能/机器学习 (AI/ML) 增强下一代无线接入网络 (NG-RAN) 的问题。在 Rel_18 版本中，针对 NG-RAN 的 AI/ML 工作项目已经完成，重点放在网络节能、负载均衡和移动性优化方面。对于 Rel-19 版本，本文档建议通过解决 Rel-18 中遗留的问题并支持新的用例来扩展 RAN AI/ML 的利用。它提出了一些增强功能，例如用于移动性优化的多跳轨迹预测、用于收集测量能量成本和流量信息的标准化接口功能，以及网络切片的考虑。此外，本文档还建议引入一个单独的网络节点或功能用于 AI 模型训练和推理，以支持多厂商支持和协作。Rel-19 的提案包括进一步增强和研究用于 AI 模型实现的其他网络节点或功能。
关键要点：
Rel_18 完成了 NG-RAN 的 AI/ML 工作项目，重点放在网络节能、负载均衡和移动性优化方面。
Rel-19 应该解决 Rel-18 中遗留的问题并支持新的用例。
提出的增强功能包括多跳轨迹预测、用于收集能源成本和流量信息的标准化功能，以及网络切片的考虑。
建议引入一个单独的网络节点或功能用于 AI 模型训练和推理，以支持多厂商支持和协作。
Rel-19 的提案包括进一步增强和研究用于 AI 模型实现的其他网络节点或功能。
二、RAN AI/ML for NG RAN
下一代无线接入网络 (NG-RAN) 中人工智能/机器学习的应用Rel_18 的进展：
在 Rel_18 版本中，针对 NG-RAN 的人工智能/机器学习 (AI/ML) 工作项目已经完成。该项目主要涉及以下方面：
在现有的 NG-RAN 接口和架构（仅限于非分离架构）内，通过增强数据收集和信令支持，实现基于 AI/ML 的网络节能、负载均衡和移动性优化。
Rel_19 的展望
对于即将到来的 Rel_19 版本，值得考虑进一步扩展 RAN AI/ML 的利用，具体方向包括：
解决 Rel_18 中遗留的问题： 针对 Rel_18 版本中尚未完全解决的问题进行改进和完善。
支持新的用例： 探索和开发新的用例，以扩展 AI/ML 在 NG-RAN 中的应用范围。
架构方面的考量： 从架构角度出发，研究如何更好地支持和集成 AI/ML 功能，例如引入新的网络节点或功能等。
通过以上三个方面的努力，可以进一步发挥 AI/ML 在 NG-RAN 中的潜力，提升网络性能和效率。
三、Rel 19 人工智能/机器学习增强
Rel 19 需考虑 Rel 18 遗留问题：
移动性优化用例：Rel 18 中的 UE 轨迹预测和测量 UE 轨迹仅限于单跳范围内的单元格，进一步增强为多跳轨迹预测将有利于目标 gNB 分配适当的资源和测量配置。
支持 RAN AI/ML 超过分离架构：
对于能源成本和移动性优化，gNB DU 也可作为收集测量能源成本的地方，并且对于 gNB DU 中的 LTM（L1/L2 触发移动性），预测的 UE 轨迹将帮助 gNB DU 更好地配置测量报告配置。
对于负载均衡，gNB CU UP 可能更适合收集流量信息，因此支持 E1 接口中用于传输 UE 性能反馈（平均 UE 吞吐量、平均丢包率、平均延迟）的标准化功能。
Rel 19 需考虑可能的新的用例
网络切片：
通过强化学习优化网络切片策略和资源，用于选择/分配适当的资源来服务切片中的 UE。
降低基于手动策略的网络切片资源管理方法的高计算复杂性。
四、引入附加分离网络节点/功能进行人工智能模型训练和推理的研究
引入附加分离网络节点或功能来实现人工智能模型训练和推理：
目标：
实现多厂商可扩展引入。
实现跨多厂商和大区域网络优化的更高层管理协作。
方案：
除了现有的 gNB-DU 和 gNB-CU-UP 之外，引入额外的网络节点或功能来实现人工智能模型训练和推理，并采用可解释的多厂商支持标准接口，包括 OAM AI/ML、5GC AI/ML、分布式 NG-RAN AI/ML（如果已识别）的集成和协作。
后续步骤：
开展研究阶段以讨论其可行性。
四、提案总结
提案 1：进一步增强移动性优化，包括多跳轨迹预测
提案 2：进一步增强支持 F1 接口的标准化功能，以在 gNB DU 中收集测量能量成本，并从 gNB CU 将预测的 UE 轨迹传输到 gNB DU 用于移动性优化。
提案 3：进一步增强支持 E1 接口的标准化功能，以收集 UE 性能反馈（平均 UE 吞吐量、平均丢包率、平均延迟）的测量流量信息。
提案 4：进一步考虑用例，例如网络切片。
提案 5：值得引入研究阶段，以考虑引入额外的分离网络节点或功能，用于实施多厂商网络部署的人工智能模型训练和推理，包括 OAM AI/ML、5GC AI/ML、分布式 NG-RAN AI/ML 的集成和协作。
本文使用 文章同步助手 同步
