通过预测重传改进5G AI-RAN的调制编码方案选择
arXiv cs.AI · · 发布于 2026-09-11 · 4 分钟阅读
5G新空口链路自适应本质上是反应式的，依赖信道测量和HARQ反馈；信道快速变化时这些信息很快过时且噪声大，难以精确跟踪，还会给实时控制器带来难以排查的反馈环效应。因此实际部署多采用简单稳健算法，接受调度滞后导致的过于激进或过于保守的速率，以频谱效率换取可预测性能。论文提出预测式链路自适应框架NOSTRAdAMUS，在不替换或重新设计现有算法的前提下增加前瞻能力：它根据近期HARQ历史预测下一无线帧是否发生重传，并对底层策略选择的调制编码方案进行校正。作者基于X5G测试台空口采集的数据训练模型，使用开源OpenAirInterface 5G协议栈、NVIDIA Aerial以及商用O-RAN射频单元和用户设备。梯度提升模型总体准确率达82.9%，高置信度干预正确率为94.2%，推理时延5.5微秒。模型以去中心化应用形式部署，并在空口及硬件在环信道模拟器上评估，覆盖3GPP TDL和CDL信道、单输入单输出与多输入多输出配置、行人与车载移动性。评估显示，无需重新训练，该应用可增强两种先进链路自适应算法，有效吞吐量最高提升71.5%，重传最多减少71.8%。
当前来源仅提供摘要，以下要点基于摘要生成；可通过官方原文查看完整信息。问题背景：反应式链路自适应的滞后
5G NR 的链路自适应依赖信道测量与 HARQ 反馈，信道快速变化时这些信息很快过时，且本身噪声较大，难以精确跟踪。
工程权衡：简单稳健但牺牲效率
由于反馈需送入带反馈环效应的实时控制器且难以排查，多数实际部署选择简单稳健的算法，接受调度器速率过于激进或过于保守，以频谱效率换取可预测性能。
核心方法：NOSTRAdAMUS 预测重传
该预测式 LA 框架不替换也不重新设计现有算法，而是依据近期 HARQ 历史预测下一无线帧是否发生重传，并对底层策略选出的 MCS 施加修正。
模型性能：准确率与延迟
作者对比多个机器学习模型，梯度提升总体准确率为 82.9%，高置信度干预的正确率为 94.2%，推理延迟为 5.5 微秒。
训练数据与平台
模型训练数据来自 X5G 测试台的空口采集，使用开源 OpenAirInterface（OAI）5G 协议栈、NVIDIA Aerial 以及商用 O-RAN 射频单元和用户设备。
部署形态与评估环境
模型以 dApp 形式部署，既做实空口评估，也在硬件在环信道模拟器上评估，涵盖 3GPP TDL 与 CDL 信道、SISO 与 MIMO 配置以及行人和车载移动性。
效果：吞吐提升与重传下降
在无需重新训练的前提下，跨上述多种场景，该 dApp 增强了两种当前最优 LA 算法，goodput 最多提升 71.5%，重传最多减少 71.8%。
结论定位：鲁棒性与泛化
作者认为这一结果证明了该方法的鲁棒性和泛化能力，即一次训练即可适配不同信道、天线配置与移动性场景。