Traffic-aware reinforcement learning model with forecasting for Radio Access Network

This research addresses optimization challenges in Radio Access Networks (RAN) by comparing LSTM and XGBoost for traffic forecasting and integrating the superior model, XGBoost, with Reinforcement Learning (RL). Traditional RL approaches, which focus on immediate rewards, often fail to address the dynamic and unpredictable traffic in Radio Access Network(RAN), leading to suboptimal performance. Our study demonstrates that XGBoost, with its capability to effectively predict future network conditions, outperforms LSTM in enhancing the RL framework. By incorporating XGBoost predictions into the RL decision-making process, our model enables proactive adjustments to network configurations, resulting in significant improvements in performance. Conducted on the Intent-Based Automation Research Platform (IBA-RP), our experiments demonstrate that this predictive, traffic-aware RL model not only outperforms existing RL frameworks in terms of network performance but also effectively manages the complexities associated with RAN optimization. The results highlight a substantial improvement in network efficiency and responsiveness to fluctuating traffic demands. Overall, this research marks a substantial advancement in RAN management strategies, proposing a robust solution that integrates a forward-looking perspective into the RL framework. It sets a new standard in the automated optimization of cellular networks, paving the way for future developments in RAN systems equipped to handle the emerging challenges of next-generation network demands.

Questa ricerca affronta le sfide dell'ottimizzazione nelle Reti di Accesso Radio (RAN) confrontando LSTM e XGBoost per la previsione del traffico e integrando il modello superiore, XGBoost, con l'Apprendimento Rinforzato (RL). Gli approcci tradizionali di RL, che si concentrano su ricompense immediate, spesso non riescono a gestire il traffico dinamico e imprevedibile nella Rete di Accesso Radio (RAN), portando a prestazioni subottimali. Il nostro studio dimostra che XGBoost, con la sua capacità di prevedere efficacemente le condizioni future della rete, supera LSTM nel miglioramento del framework RL. Incorporando le previsioni di XGBoost nel processo decisionale RL, il nostro modello consente aggiustamenti proattivi alle configurazioni di rete, risultando in miglioramenti significativi delle prestazioni. Condotto sulla Piattaforma di Ricerca per l'Automazione Basata sull'Intenzione (IBA-RP), i nostri esperimenti dimostrano che questo modello RL predittivo e consapevole del traffico non solo supera i framework RL esistenti in termini di prestazioni di rete ma gestisce anche efficacemente le complessità associate all'ottimizzazione della RAN. I risultati evidenziano un miglioramento sostanziale dell'efficienza e della reattività della rete alle fluttuanti richieste di traffico. Nel complesso, questa ricerca segna un notevole avanzamento nelle strategie di gestione della RAN, proponendo una soluzione robusta che integra una prospettiva prospettica nel framework RL. Stabilisce un nuovo standard nell'ottimizzazione automatizzata delle reti cellulari, preparando la strada per futuri sviluppi nei sistemi RAN attrezzati per gestire le sfide emergenti delle richieste di rete di nuova generazione.