Optimized federated learning framework for Open Radio Access Networks (O-RAN)

Résumé

L’architecture Open Radio Access Network (O-RAN) représente un paradigme transformateur pour la réalisation de la vision ambitieuse des réseaux mobiles au-delà de la cinquième génération (B5G) et de la sixième génération (6G). Grâce à ses caractéristiques fondamentales de désagrégation, d’interfaces ouvertes standardisées permettant une véritable interopérabilité multi-fournisseurs, et d’intelligence intégrée via les contrôleurs intelligents du RAN (RICs), O-RAN permet des capacités réseau sans précédent. La nature programmable d’O-RAN, en particulier via le RIC non temps réel (Non-RT-RIC) pour l’optimisation stratégique et le RIC quasi temps réel (Near-RT-RIC) pour la gestion tactique des ressources, crée une plateforme où l’intelligence artificielle et l’apprentissage automatique (ML) peuvent révolutionner les opérations réseau. À travers ces avancées, O-RAN permet la vision de réseaux mobiles supportant simultanément des exigences de services hétérogènes telles que l’amélioration de la bande large mobile (eMBB), les communications ultra-fiables et de très faible latence (uRLLC), et les communications massives de type machine (mMTC). La réalisation des cas d’usage basés sur l’intelligence intégrée d’O-RAN dépend de manière critique du cadre de formation des modèles ML lui-même. L’apprentissage fédéré (FL), un paradigme d’apprentissage automatique distribué permettant la formation collaborative de modèles à travers des nœuds réseau désagrégés sans centraliser les données brutes, émerge comme une solution prometteuse. Contrairement à l’apprentissage centralisé, FL est particulièrement adapté à l’environnement multi-fournisseurs d’O-RAN sensible à la confidentialité où : les données opérationnelles ne peuvent pas être partagées au-delà des frontières des fournisseurs en raison de préoccupations concernant la confidentialité et la concurrence ; les volumes massifs de données provenant de millions d’équipements utilisateur et de milliers de stations de base créent des goulets d’étranglement de communication prohibitifs s’ils sont transmis à des serveurs centraux ; et les cadres réglementaires comme le RGPD mandatent la localisation des données. FL permet des cas d’usage critiques d’O-RAN incluant la détection d’anomalies distribuée across les équipements multi-fournisseurs pour la sécurité, l’optimisation collaborative du spectre sans exposer les algorithmes propriétaires, la prédiction de qualité d’expérience préservant la vie privée en utilisant des données d’abonné sensibles, et la gestion en temps réel des ressources radio exploitant les informations d’état de canal localisées qui seraient obsolètes si traitées de manière centralisée. Cependant, le déploiement de FL dans les environnements O-RAN présente des défis techniques formidables fondamentalement distincts des scénarios d’apprentissage fédéré traditionnels. Les exigences strictes de synchronisation des boucles de contrôle d’O-RAN rendent le temps d’apprentissage tout aussi critique que la précision du modèle. Des contraintes de ressources sévères existent à plusieurs niveaux : l’unité distribuée (O-DU) et l’unité radio (O-RU) disposent d’une capacité de calcul limitée en tant que nœuds périphériques ; les Near-RT-RICs fonctionnent sur des serveurs aux ressources limitées ; et les liaisons de backhaul reliant ces composants présentent une connectivité variable et limitée en bande passante. De plus, les appareils mobiles participant à la formation FL sont fréquemment remis entre les O-DU, causant la perte de calculs, des changements imprévisibles de l’ensemble des participants, et des délais d’agrégation causés par les nœuds traînards. Les déploiements O-RAN en production exigent également l’exécution simultanée de multiples tâches FL où chaque tâche servant potentiellement différentes tranches réseau (eMBB, uRLLC, mMTC) avec des objectifs conflictuels et des exigences de qualité de service tout en concurrençant pour les ressources d’infrastructure partagée pour la formation du modèle. Ensemble, cela pose trois défis principaux. Le modèle FL entraîné doit être (i) efficace pour gérer des capacités système diverses incluant une puissance de calcul hétérogène et des conditions de canal variables ; (ii) robuste pour assurer la performance du modèle global selon des algorithmes d’agrégation optimisés ; et (iii) fiable pour converger dans les seuils définis. Cette thèse aborde systématiquement ces défis à travers trois contributions progressives. Pre mièrement, nous développons un cadre FL efficace en ressources et en communication unifié qui résout conjointement la sélection de formateurs et l’allocation de ressources tout en at taquant le goulet d’étranglement de communication par l’intégration synergique de techniques d’accélération basée sur le momentum et de techniques de compression agressive. Deuxième ment, nous proposons MHORANFed, un cadre d’apprentissage fédéré hiérarchique tenant compte de la mobilité qui traite explicitement les perturbations de passation inter-O-DU par le biais de l’agrégation hiérarchique mappée à l’architecture d’O-RAN, la réallocation adaptative des ressources pour les participants mobiles, et l’ajustement dynamique du poids d’agrégation. Troisièmement, nous présentons l’application O-FL rApp, un cadre d’orchestration au niveau système fonctionnant dans le Non-RT-RIC qui gère le cycle de vie complet de multiples tâches d’apprentissage par renforcement multi-agents fédérés concurrentes par l’assignation stratégique de tâches et de tranches, la réallocation tactique des ressources parmi les tâches concurrentes. Contrairement aux travaux antérieurs se concentrant sur des aspects individuels isolément ou dans des contextes idéalisés, notre solution intégrée démontre la faisabilité du déploiement de qualité production à travers une analyse théorique rigoureuse, une validation expérimentale extensive utilisant des ensembles de données FL de référence, des testbeds O-RAN réalistes avec des modèles de canal conformes à la 3GPP et des traces de trafic 5G, alignés avec les spécifications de l’O-RAN Alliance. Cette recherche établit les principes fondamentaux et les cadres opérationnels permettant un cadre d’apprentissage fédéré autonome, adaptatif, préservant la vie privée à l’échelle qui sont des éléments constitutifs essentiels pour réaliser le plein potentiel d’O-RAN intelligent dans l’évolution B5G et les réseaux 6G.

Date	19 déc. 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Kim Khoa Nguyen (Directeur(-trice))