ML-based Predictive Models for Power Consumption in Virtualised O-RANs

📄 arXiv: 2607.24256v1 📥 PDF

作者: Rishu Raj, Genevieve Akude, Urooj Tariq, Daniel Kilper

分类: cs.LG, cs.AI

发布日期: 2026-07-27

💡 一句话要点

提出基于机器学习的模型以预测虚拟化O-RAN中的功耗

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 功耗预测 虚拟化网络 机器学习 深度神经网络 XGBoost 能效管理 O-RAN 回归分析

📋 核心要点

  1. 现有的功耗建模方法无法有效应对虚拟化和解耦架构中的复杂非线性因素，导致能效预测不准确。
  2. 本文提出利用特征提取和回归的机器学习方法，结合深度神经网络和XGBoost回归器来预测O-RAN中的功耗。
  3. 实验结果显示，混合模型在多种系统参数下表现优异，平均相对误差低于0.5%，显著提升了预测准确性。

📝 摘要（中文）

随着通信网络采用虚拟化和解耦架构，实现能源效率变得愈发重要。传统的功耗建模方法在动态软件定义环境中表现不佳，无法有效建模影响能耗的复杂非线性因素。本文探讨了特征提取和基于回归的机器学习方法在虚拟化开放无线接入网络（O-RAN）中预测功耗的应用，利用硬件测试平台的数据集。我们测试了三种深度神经网络（DNN）变体，包括标准DNN、正则化DNN和结合DNN特征提取与XGBoost回归器的混合模型。结果表明，混合模型的表现优于其他模型，平均相对误差低于0.5%。研究结果表明，DNN-XGBoost等混合模型具有更高的准确性，未来可集成到O-RAN管理工具中，以实现更高效的网络编排。

🔬 方法详解

问题定义：本文旨在解决在虚拟化开放无线接入网络（O-RAN）中功耗预测的准确性问题。现有的传统功耗建模方法无法应对动态环境中的复杂非线性因素，导致预测结果不可靠。

核心思路：论文提出了一种基于机器学习的混合模型，结合深度神经网络（DNN）和XGBoost回归器，通过特征提取和回归分析来提高功耗预测的准确性。这样的设计旨在充分利用DNN的特征学习能力和XGBoost的回归性能。

技术框架：整体架构包括数据采集、特征提取、模型训练和性能评估四个主要模块。首先，从硬件测试平台收集数据，然后通过DNN进行特征提取，最后使用XGBoost进行回归分析。

关键创新：最重要的技术创新在于提出了DNN与XGBoost的混合模型，该模型在处理复杂非线性关系时表现优于传统方法，能够更准确地预测功耗。

关键设计：在模型设计中，采用了正则化技术以防止过拟合，并对DNN的层数、节点数及XGBoost的参数进行了优化设置，以确保模型的最佳性能。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，混合模型在多种系统参数下的平均相对误差低于0.5%，显著优于标准DNN和正则化DNN，表明DNN-XGBoost模型在功耗预测中的优越性，具有较强的实际应用潜力。

🎯 应用场景

该研究的潜在应用领域包括通信网络的能效管理和优化，尤其是在虚拟化和解耦架构日益普及的背景下。通过集成高效的功耗预测模型，网络运营商可以实现更智能的资源调度和能耗控制，从而降低运营成本并减少环境影响。

📄 摘要（原文）

As communication networks adopt virtualized and disaggregated architectures, achieving energy efficiency has become increasingly important for both economic and environmental reasons. Traditional methods for power modeling are inadequate in these dynamic software-defined environments due to their inability to model complex and nonlinear factors affecting energy use. We investigate the use of feature extraction and regressor-based machine learning methods for predicting power consumption in virtualized open radio access networks (O-RANs), utilizing datasets from a hardware-instrumented testbed. We test three variants of deep neural networks (DNNs), namely, a standard DNN, a regularized DNN, and a hybrid model combining DNN-based feature extraction with an XGBoost regressor. We evaluate the performance of these models for various system parameters such as transmission gain, modulation/coding schemes, and airtime. We show that the hybrid model consistently outperformed others, achieving a mean relative error below 0.5%. Results suggest hybrid models like DNN-XGBoost offer superior accuracy and could be integrated into O-RAN management tools to enable more energy-efficient network orchestration in future networks.