arXiv cs.AI· Kevin Wardakhan, Marie Line Alberi-Morel, J\'er\'emie Leguay, Afef Feki, Adrien Sardi, S\'ebastien Archeveque, Claudiu Mihailescu·· 10 小时前AI 评分26
面向稀有与未见场景的 RAN 能耗条件式 What-If 生成
Conditional What-If Generation for Radio Access Network Energy under Rare and Unseen Contexts
AI 导读
研究提出一种基于预测的生成框架,用于在训练覆盖度下降时生成 RAN 功耗轨迹,将功耗分解为全局预测、残差水平与尺度校正及时间残差生成。在商用 5G RAN 和公开数据集上,该框架可泛化到稀有与未见场景,仅需一次目标观测即可将中位 MAE 较 TimeWeaver 降低约 50%。消融实验显示残差水平校正贡献了大部分增益。
正文 · AI 翻译
摘要:RAN 中的节能机制必须在不同流量条件下平衡能耗降低与网络性能。条件生成模型通过为无线配置和运行场景生成合理的功耗轨迹来支持 what-if 分析,帮助运营商在部署前评估节能策略。然而,代表性测量成本高昂且受运营限制,因此历史数据仅覆盖有限的配置和条件,导致部分场景在训练中代表性不足或从未出现。本文研究了在训练覆盖度递减(从代表性充分到稀有及未见配置)条件下 RAN 功耗轨迹的条件生成。我们首先引入一种上下文归一化条件生成器,将时间对齐的条件与依赖配置的目标归一化相结合。它改善了代表性充分配置的生成效果,但随着训练暴露减少而变得不太可靠,因为目标功耗更难估计。因此,我们引入一种基于预测的生成框架,将功耗分解为全局预测、残差水平与尺度校正以及时间残差生成。在商用 5G RAN 和公开数据集上的实验表明,硬件元数据提供了关于残差尺度的可迁移信息,而推理时有限的目击观测通过残差水平校正改善生成且无需重新训练。消融研究证实残差水平校正贡献了大部分增益。两种方法在代表性充分的配置上均优于最先进方法,而基于预测的方法还能泛化到稀有和未见上下文,并且在一次目标观测下,与 TimeWeaver 相比将中位 MAE 降低约 50%。
| 评论: | 8 页,6 幅图,5 张表。已投稿发表 |
| 主题: | 网络与互联网架构 (cs.NI);人工智能 (cs.AI) |
| 引用为: | arXiv:2611.24208 [cs.NI] |
| (或 arXiv:2611.24208v1 [cs.NI] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.24208 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Jeremie Leguay Dr. [查看电子邮件]
[v1]
2026 年 11 月 18 日星期三 10:43:33 UTC(275 KB)
来源:arXiv cs.AI · arxiv.org