Un framework di controllo semantico per Open RAN

Abstract

Le reti mobili di quinta generazione (5G) espongono una rete di accesso radio programmabile tramite l'architettura Open RAN (O-RAN), abilitando xApp software-defined al controllo in loop chiuso delle stazioni base. I sistemi xApp esistenti operano direttamente sui flussi grezzi di Key Performance Indicator (KPI), senza una comprensione condivisa dello stato della rete. Questa tesi propone un Semantic State Encoder per la RAN 5G NR: un'architettura neurale a doppia uscita che mappa le misure KPI in etichette semantiche binarie descrivendo sia lo stato corrente della rete sia lo stato previsto 20ms nel futuro. Sei etichette binarie sono definite da 13 flussi KPI relativi a qualità del segnale, affidabilità del collegamento, efficienza del canale, interferenza, carico e ritardo. Tre configurazioni sono confrontate: A1 (solo KPI), B1 (KPI più etichette passate, encoder singolo) e B2 (doppio encoder indipendente proposto). B2 raggiunge F1 Macro corrente di 0.9279±0.0134 e F1 Macro futura di 0.7232±0.0067 (ottimizzata: 0.7446±0.0055) su cinque seed indipendenti. Uno studio ablativo conferma un forte effetto di interazione tra etichette passate e doppio encoder. Un'analisi di persistenza degli stati (Pearson r=0.856) spiega i limiti di prevedibilità per etichetta. Il confronto con GRU, LSTM e Vanilla Transformer conferma un limite del dataset (0.72–0.75). Il framework abilita il 58.5% delle decisioni di controllo preventivo e soddisfa il budget di latenza Near-RT RIC di 100ms con un fattore di 37.

Fifth-generation (5G) mobile networks expose a programmable radio access network through the Open RAN (O-RAN) architecture, enabling software-defined xApps to exercise closed-loop control over base stations. Existing xApp designs operate directly on raw Key Performance Indicator (KPI) streams without any shared understanding of the network condition. This thesis proposes a Semantic State Encoder for the 5G NR RAN: a dual-output neural architecture that maps raw KPI measurements to binary semantic labels describing both the current network state and its predicted state 20ms ahead. Six binary labels are defined from 13 KPI streams covering signal quality, link reliability, channel efficiency, interference, load, and edge delay. Three configurations are compared: A1 (KPIs only), B1 (KPIs plus past labels, single encoder), and B2 (proposed dual independent encoders). B2 achieves current-state F1 Macro of 0.9279±0.0134 and future-state F1 Macro of 0.7232±0.0067 (tuned: 0.7446±0.0055) over five seeds, outperforming B1 on both tasks. A factorial ablation confirms a strong interaction effect: past labels and dual encoders are complementary. A state persistence analysis (Pearson r=0.856) explains per-label predictability limits. Comparison against GRU, LSTM, and Vanilla Transformer confirms a dataset-level ceiling (0.72–0.75). The framework enables 58.5% preemptive control decisions and satisfies the Near-RT RIC 100ms budget by a factor of 37.