Rendre l’Open RAN intelligent : le rôle de l’apprentissage automatique
L’O-RAN est fondamentalement piloté par les données. Ses boucles de contrôle intelligentes — rendues possibles par les contrôleurs intelligents RAN en temps quasi réel (Near-Real-Time) et hors temps réel (Non-Real-Time), appelés RAN Intelligent Controllers (RICs) — assurent une surveillance continue, un contrôle en boucle fermée et une optimisation guidée par des politiques. Ces capacités constituent une base naturelle pour l’apprentissage automatique, permettant aux réseaux d’apprendre à partir des données, de s’adapter à des conditions dynamiques et de prendre des décisions éclairées en temps réel.
Dans notre récent article de synthèse, “ML-Enabled Open RAN: A Comprehensive Survey of Architectures, Challenges, and Opportunities,” nous examinons comment l’apprentissage automatique est utilisé pour transformer l’O-RAN d’une architecture ouverte en un système intelligent et adaptatif. Dans ce travail, Mira Chandra Kirana, Patatchona Keyela, Fatemeh Rostamian, Dr. Deemah H. Tashman, et Prof. Soumaya Cherkaoui présentent une étude approfondie sur l’intégration systématique de l’apprentissage automatique dans les architectures O-RAN. En reliant l’évolution architecturale aux paradigmes d’apprentissage et aux défis au niveau système, les auteurs proposent à la fois une vue structurée des travaux existants et une perspective claire sur les orientations futures.
L’article retrace l’évolution des architectures RAN — des architectures traditionnelles distribuées et centralisées vers un O-RAN virtualisé et entièrement désagrégéet montre comment l’intelligence devient une nécessité plutôt qu’une amélioration optionnelle dans les réseaux modernes.
Figure 1. Structure of the survey, showing the relationship between O-RAN architecture, ML techniques, key challenges, and future research directions. Reproduced from ML-Enabled Open RAN: A Comprehensive Survey of Architectures, Challenges, and Opportunities.
L’axe central de l’article porte sur le rôle de l’apprentissage automatique (ML) dans la résolution de trois défis fondamentaux liés au déploiement de l’O-RAN: l’allocation des ressources, la gestion du spectre et la sécurité. La nature désagrégée et multi-fournisseurs de l’O-RAN rend la gestion coordonnée des ressources nettement plus complexe. L’apprentissage automatique, et en particulier l’apprentissage par renforcement, permet de mettre en œuvre des stratégies d’allocation dynamiques et contextuelles capables de s’adapter aux variations du trafic, à l’hétérogénéité des services et à la diversité des exigences en matière de qualité de service.
Une contribution majeure de ce travail réside dans sa perspective holistique. La plupart des études antérieures se concentrent sur un seul défi ou un seul paradigme d’apprentissage, en négligeant souvent la manière dont les différentes approches de ML interagissent avec l’architecture O-RAN dans son ensemble. Cet article comble cette lacune en proposant une taxonomie unifiée qui relie les techniques de ML aux objectifs de l’O-RAN — amélioration de la qualité de service, de la qualité des communications et de la sécurité — tout en abordant des limitations pratiques telles que la disponibilité des données, la surcharge computationnelle, la scalabilité et la robustesse des modèles.
Au-delà de la synthèse des travaux existants, l’article identifie également des axes de recherche ouverts essentiels pour l’avenir de l’O-RAN intelligent. Ceux-ci incluent la scalabilité dans les déploiements à grande échelle, l’intégration avec les technologies à ondes millimétriques et térahertz, le MIMO massif, l’informatique en périphérie (edge computing), les jumeaux numériques, ainsi que le support des communications ultra-fiables à faible latence.
En réunissant architecture, techniques d’apprentissage automatique, défis au niveau système et perspectives futures, cette étude ambitionne de servir de référence pour les chercheurs, les professionnels de l’industrie et les acteurs de l’écosystème œuvrant à l’intersection des communications sans fil, de l’intelligence artificielle et de la softwarisation des réseaux.
Read the paper (Early Access on IEEE Xplore): “ML-Enabled Open RAN: A Comprehensive Survey of Architectures, Challenges, and Opportunities”. [
: arxiv ]