次世代O-RANにおけるメタ学習ベースのハンドオーバー管理

本論文は、次世代モバイルネットワークにおけるハンドオーバー管理の重要な課題に取り組み、特に従来のハンドオーバーと条件付きハンドオーバーの限界に焦点を当てています。トップティアのMNOからの実際の全国的なモビリティデータセットの使用は、提案されたソリューションの強力な基盤を提供します。メタ学習ベースのフレームワークであるCONTRAの導入は、O-RANアーキテクチャ内でTHOとCHOを共同で最適化するための新しいアプローチを提供し、重要な貢献です。 O-RAN xAppとしてのニアリアルタイム展開と6Gの目標への整合性に焦点を当てていることも、その関連性を高めています。ベースラインと比較して、ユーザーのスループットの向上とスイッチングコストの削減を示す評価結果は、提案されたアプローチの有効性を検証しています。

• •O-RANにおけるTHOとCHOの共同最適化のためのメタ学習フレームワークであるCONTRAを提案。
• •トレーニングと評価に現実世界のモビリティデータセットを活用。
• •ベースラインと比較して、ユーザーのスループットの向上とスイッチングコストの削減を実証。
• •O-RAN xAppとしてのニアリアルタイム展開向けに設計。