面向 O-RAN 移动性管理的图神经网络：一种链接预测方法-计算机科学-机器学习-图神经网络-链路预测.pdf

IEEEVEHICULARTECHNOLOGYMAGAZINE,VOL.X,NO.X,JANUARY20251

面向O-RAN移动性管理的图神经网络：一种

链接预测方法

11122

AnaGonzalezBermudez,MiquelFarreras,MilanGroshev,JoséAntonioTrujillo,IsabeldelaBandera,

RaquelBarco2

1TheLaudeTechnologyCompany,S.L.28037Madrid,Spain

2TelecommunicationResearchInstitute(TELMA)UniversityofMalaga,E.T.S.I.deTelecomunicacion,

BulevarLouisPasteur35,29010,Malaga,Spain

本摘要—移动性能一直是5G及以下蜂窝网络的关键关注点。开放无线接入网络（O-RAN）的出现通过利用人

为了提升切换（HO）性能，3GPP在5G中引入了条件切换和工智能（AI）或机器学习（ML）来提升网络性能和灵

译Layer1/Layer2触发的移动性（LTM）机制。虽然这些反应活性，彻底改变了RAN。这些部署在边缘和集中云中

中式HO策略解决了HO失败与乒乓效应之间的权衡问题，但由的AI/ML模型使管理现代蜂窝网络时能够实现智能

2于额外的HO准备过程，它们往往导致无线电资源利用效率低决策和自动化。移动性管理是O-RAN的一个关键用

v下。为了解决这些问题，本文提出了一种用于O-RAN中移动管

0理的主动HO框架，该框架通过预测用户-小区链路来识别HO例，最近的研究已经探讨了基于用户轨迹[3]、用户测

7

1的最佳目标小区。我们探索了各种图神经网络（GNNs）类别以量[4]和RLF预测[5]的主动HO机制。诸如序列到序

2进行链路预测，并分析将它们应用于移动管理领域的复杂性。使列（Seq2Seq）和长短期记忆（LSTM）之类的ML模型

0

2.用真实数据集对两种GNN模型进行了比较，结果表明它们能在捕捉用户和小区指标之间的长期依赖关系方面显示

够捕捉到蜂窝网络的动态和图形结构特性。最后，我们展示了研

0出潜力。然而，这些模型顺序处理数据，未能利用通信

5究中的关键见解，并概述了未来步骤，以实现基于GNN的链路

2预测在O-RAN网络中移动管理的集成。网络的图结构特性，限制了泛化能力并降低了对未见过

:

v的网络和移动模式的预测性能。

iIndexTerms—图神经网络，O-RAN，切换，移动性管

x为了解决建模动态网络拓扑的挑战，图神经网络

r理，链路预测。

a（GNNs）在学术和工业领域变得越来越重要[6],[7].

GNNs通过对图形结构化数据迭代聚合邻近节点的信

I.介绍

息来操作，使其适合处理诸如节点或边回归及链路预测

移动性管理是蜂窝网络的基本特征，通过最小化通

等任务。先前的研究已将GNNs应用于移动性管理中

话中断、无线链路失败（RLFs）和不必要的切换（HOs），