Dissertation/ Thesis
AI-driven network service management for efficient and sustainable open-RAN systems in 6G and beyond
| Τίτλος: | AI-driven network service management for efficient and sustainable open-RAN systems in 6G and beyond |
|---|---|
| Συγγραφείς: | Kasuluru, Vaishnavi |
| Συνεισφορές: | University/Department: Universitat Politècnica de Catalunya. Departament de Teoria del Senyal i Comunicacions |
| Thesis Advisors: | Blanco Botana, Luis, Zeydan, Engin, Umbert Juliana, Anna |
| Πηγή: | TDX (Tesis Doctorals en Xarxa) |
| Στοιχεία εκδότη: | Universitat Politècnica de Catalunya, 2026. |
| Έτος έκδοσης: | 2026 |
| Φυσική περιγραφή: | 162 p. |
| Θεματικοί όροι: | B5G/6G, AI/ML, Open-RAN, Probabilistic Forecasting, Resource Orchestration, SLA Compliance, Cloud-native rApps, Cell-Free massive MIMO, Network Sustainability and Automation, Àrees temàtiques de la UPC::Enginyeria de la telecomunicació, 621.3 - Enginyeria elèctrica. Electrotècnia. Telecomunicacions |
| Περιγραφή: | (English) This thesis presents an efficient and sustainable AI-driven resource management framework for next-generation Open Radio Access Network (O-RAN) in the context of the emerging 6G era. The framework operates in a cloud-native 6G environment and translates predictive intelligence into reliable, energy-aware orchestration. It combines advanced predictive modeling with optimization-based control to address challenges, like stochastic demand, multitenancy, and computational complexity in O-RAN. The predictive forecasting architecture is the core of the framework, quantifying uncertainty and interdependencies among network resources across multiple tenants. Probabilistic forecasting models generate distributions of future resource demands, enabling service providers to perform more informed and risk-aware resource orchestration in complex multitenant environments. Initially, the framework considered in this thesis considers univariate probabilistic estimators, including Simple-Feed-Forward (SFF), Deep Autoregressive Recurrent network (DeepAR), and Transformers, to predict individual resource demands and support effective provisioning in O-RAN. These models deliver efficient, agile, and uncertainty-aware resource predictions, which are integrated into a novel percentile-based orchestration strategy, Dynamic Percentile Adjustment Approach (DYNp). The proposed method dynamically adjusts the percentage to ensure efficient resource utilization in O-RAN systems. Selecting an appropriate percentile is critical for balancing resource waste and service reliability. However, univariate probabilistic estimates do not capture cross-resource interdependencies, leading to suboptimal decision-making. To address this limitation, the framework incorporates state-of-the-art multivariate probabilistic forecasting models such as Gaussian Process Vector Autoregression (GPVAR) and the Temporal Fusion Transformer (TFT). They jointly process multiple time series and provide robust estimates of future resource demands. These models effectively learn complex interdependencies among different resources and key parameter indicators across network slices and tenants. Furthermore, we have evaluated how low-rank approximation in GPVAR estimator enhances scalability and robustness by reducing the algorithm's training time. One of the main goals of this thesis is to achieve energy efficiency and effective resource management and sharing. By considering predictive intelligence together with power consumption, the proposed techniques proactively optimize the activation and deactivation of radio resources or radio units. This strategy significantly reduces power consumption while maintaining user experience and adhering to Service Level Agreement (SLA) guarantees. Furthermore, another relevant contribution of the thesis is the extension of the traditional cellular O-RAN architecture to include Cell-Free massive Multiple-Input and Multiple-Output (CF-mMIMO) networks, reflecting the architectural evolution for beyond 6G systems. This provides a scalable approach to ultra-dense, energy-efficient O-RAN deployments. Finally, the algorithm tools considered in the dissertation are implemented as modular applications to facilitate deployment across O-RAN. The cloud-native implementation of the forecasting and orchestration pipeline is a notable achievement. Each module has been containerized using Docker, and its functionality is exposed via Representational State Transfer (REST) APIs, such as Swagger. This enables the pipeline to operate as microservices, supporting flexible deployment, scalable execution and seamless integration within O-RAN. The thesis establishes a mathematical and architectural foundation for deploying AI-driven, sustainable, and energy-optimized O-RAN with uncertainty adaptation. It provides a basis for realizing intelligent, autonomous, and stable 6G networks and supports future research and industrial implementation of AI-powered O-RAN ecosystems. |
| Description (Translated): | (Català) Aquesta tesi presenta un marc sostenible de gestió de recursos basat en Intel·ligència Artificial (IA) per a xarxes d’accés ràdio obertes de nova generació (O-RAN) en el context de l’emergent era de la Sisena Generació (6G). El marc opera dins d’un entorn 6G natiu al núvol i transforma la intel·ligència predictiva en una orquestració fiable i eficient energèticament. Combina models predictius avançats amb control basat en optimització per abordar reptes com la demanda estocàstica, l’alta dimensionalitat de les dades de recursos, la multitenència i la complexitat computacional pròpia d’O-RAN. L’arquitectura de predicció constitueix el nucli del marc, ja que permet quantificar la incertesa i les interdependències entre els recursos de xarxa de múltiples inquilins. Els models de predicció probabilística generen distribucions de les demandes futures de recursos, permetent als proveïdors de serveis dur a terme una orquestració més informada i conscient del risc en entorns multitenant complexos. Inicialment, el marc utilitza estimadors probabilístics univariants, com ara xarxes Simple Feed-Forward (SFF), xarxes recurrents autoregressives profundes (DeepAR) i Transformers, per predir demandes individuals de recursos i donar suport a una provisió eficient en O-RAN. Aquests models proporcionen prediccions àgils, eficients i conscients de la incertesa, que s’integren en una nova estratègia d’orquestració basada en percentils anomenada Enfocament Dinàmic d’Ajust de Percentils (DYNp). La selecció d’un percentil adequat és clau per equilibrar el malbaratament de recursos i la fiabilitat del servei. Tanmateix, els models univariants no capturen les dependències entre recursos, fet que pot conduir a decisions subòptimes. Per superar aquesta limitació, el marc incorpora models de predicció probabilística multivariant. En particular, models com la Vector Autoregressió amb Processos Gaussians (GPVAR) i el Transformer de Fusió Temporal (TFT) processen conjuntament múltiples sèries temporals i proporcionen estimacions robustes de les futures demandes de recursos, aprenent dependències complexes entre diferents recursos, talls de xarxa i inquilins. A més, la introducció d’aproximacions de baix rang en GPVAR millora l’escalabilitat i la robustesa del model. L’objectiu principal d’aquesta tesi és assolir l’eficiència energètica i una compartició efectiva dels recursos. Mitjançant la integració d’intel·ligència predictiva amb un model òptim de consum energètic, el marc optimitza de manera proactiva l’activació i desactivació dels recursos ràdio, reduint significativament el consum energètic sense comprometre l’experiència d’usuari ni les garanties dels Acords de Nivell de Servei (SLA). El marc amplia l’arquitectura cel·lular tradicional d’O-RAN per incloure xarxes Massive MIMO sense cel·les (CF-mMIMO), alineant-se amb l’evolució arquitectònica prevista per a 6G i oferint una solució escalable per a desplegaments ultra densos i energèticament eficients. A més, les funcions de predicció i orquestració s’implementen com a aplicacions modulars natives al núvol. Cada mòdul es conteneïtza amb Docker i exposa la seva funcionalitat mitjançant interfícies REST, permetent una arquitectura de microserveis amb desplegament flexible, execució escalable i integració fluida dins l’entorn O-RAN. En conjunt, la tesi estableix una base matemàtica i arquitectònica per al desplegament d’O-RAN sostenible, optimitzat energèticament i basat en IA amb adaptació a la incertesa, contribuint al desenvolupament de xarxes 6G intel·ligents, autònomes i estables. (Español) Esta tesis presenta un marco sostenible de gestión de recursos basado en IA para redes de acceso radio abiertas (O-RAN) de próxima generación, dentro del contexto de la emergente era de la 6G. Se considera un entorno 6G nativo en la nube (Cloud Native) basado en inteligencia predictiva para un en una orquestación fiable de los recursos de red y energéticamente eficiente. La tesis combina modelos predictivos avanzados conjuntamente con herramientas de optimización matemática y control para para afrontar retos como la demanda estocástica, la multitenencia y la complejidad computacional inherente a los sistemas O-RAN. La herramientas de predicción y su integración en O-RAN constituyen el núcleo de la disertación, ya que permite cuantificar la incertidumbre y las interdependencias entre los recursos de red de múltiples tenedores. Los modelos de predicción probabilística generan distribuciones de las demandas futuras de recursos, permitiendo a los proveedores de servicios realizar una orquestación más informada y consciente del riesgo en entornos multitenant complejos. Inicialmente, esta tesis emplea estimadores probabilísticos univariantes, redes neuronales feed-forward simple (SFF), redes recurrentes autoregresivas profundas (DeepAR) y modelos Transformer, para predecir demandas individuales de recursos y permitir una provisión eficiente de recursos de forma proactiva en O-RAN. Estos modelos proporcionan predicciones ágiles, eficientes y sensible a la incertidumbre, que se integran en una novedosa estrategia de orquestación basada en percentiles, denominada Enfoque Dinámico de Ajuste de Percentiles (DYNp). La selección adecuada del percentil resulta crítica para equilibrar el desperdicio de recursos y la fiabilidad del servicio. Sin embargo, los modelos univariantes no capturan las dependencias entre recursos, lo que puede conducir a decisiones subóptimas. Para superar esta limitación, la tesis considera nuevos modelos de predicción probabilística multivariante como Vector Autorregresión mediante Procesos Gaussianos (GPVAR) y el Transformer de Fusión Temporal (TFT). ellas procesan conjuntamente múltiples series temporales y ofrecen estimaciones robustas de las futuras demandas de recursos, aprendiendo las complejas interdependencias entre los distintos recursos radio/computacionales, las “slices” o los tenedores. Además, la introducción de aproximaciones de bajo rango en GPVAR mejora su escalabilidad y robustez, reduciendo el tiempo de entrenamiento del algoritmo. Uno de los principales objetivos de esta tesis es la eficiencia energética y el reparto eficaz de los recursos compartidos. Mediante la integración de inteligencia predictiva y de modelos de consumo energético en la red, se analizan algoritmos de predicción capaces de gestionar de forma proactiva y de activar o desactivar los recursos radio y las O-RUs, reduciendo significativamente el consumo energético, sin comprometer la experiencia del usuario ni las garantías de los SLA. Finalmente, continuando con el objetivo de redes energéticamente eficientes y sostenibles, se extiende la arquitectura celular tradicional de O-RAN para incluir redes Massive MIMO sin celdas (CF-mMIMO), alineándose con la evolución arquitectónica prevista para evoluciones de los futuros sistemas 6G, proporcionando una solución escalable para despliegues ultradensos y energéticamente eficientes. Además, las funciones de predicción y orquestación se implementan como aplicaciones modulares nativas en la nube. Cada módulo se ha “contenedorizado” mediante Docker y su funcionalidad se ha expuesto a través de interfaces REST, facilitando una arquitectura de microservicios con despliegue flexible, ejecución escalable e integración fluida en O-RAN. En conjunto, la tesis establece una base matemática y arquitectónica para el despliegue de O-RAN sostenible, optimizado energéticamente y basado en IA con adaptación a la incertidumbre, contribuyendo al desarrollo de redes 6G inteligentes, autónomas y estables. DOCTORAT EN TEORIA DEL SENYAL I COMUNICACIONS (Pla 2013) |
| Τύπος εγγράφου: | Dissertation/Thesis |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | English |
| DOI: | 10.5821/dissertation-2117-463547 |
| Σύνδεσμος πρόσβασης: | https://hdl.handle.net/10803/697671 https://dx.doi.org/10.5821/dissertation-2117-463547 |
| Rights: | L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by/4.0/ info:eu-repo/semantics/embargoedAccess |
| Αριθμός Καταχώρησης: | edstdx.10803.697671 |
| Βάση Δεδομένων: | TDX |
καταχωρήστε σχόλιο πρώτοι!