面向6G O-RAN的能效优化与延迟约束柔性功能分解研究

《IEEE Transactions on Green Communications and Networking》：Energy-Efficient Flexible Functional Splitting in Latency-Constrained O-RAN

本文针对云无线接入网(CRAN)部署中面临的带宽与延迟约束挑战，提出了一种结合云-雾计算的混合架构(CF-RAN)及柔性功能分解(FFS)方案。研究团队构建了基于eCPRI标准的排队延迟模型，并开发了整数线性规划(ILP)模型和启发式算法，实现虚拟化基带处理单元(vBBU)的最优放置。结果表明该方法在保证服务质量(QoS)的同时，将网络可用性提升35%，功耗降低9.93%，为6G O-RAN架构提供了低延迟与高能效兼备的解决方案。

　　

随着第六代移动通信系统(6G)时代的临近，无线接入网络正面临前所未有的挑战。传统的云无线接入网(CRAN)虽然通过网络功能虚拟化(NFV)技术将基带处理单元(BBU)集中到云端，实现了灵活的资源调度，却受限于严格的端到端延迟要求和有限的传输容量。特别是在需要超高可靠低延迟通信(URLLC)的场景中，如远程机器人控制、自动驾驶和工业4.0应用， fronthaul（前传）链路的一路延迟必须低于100微秒，这对传统CRAN架构提出了严峻考验。

为了突破这些限制，研究人员开始探索云-雾无线接入网(CF-RAN)和开放式无线接入网(O-RAN)架构。这些混合架构巧妙地将云计算与雾计算相结合，通过灵活的基带功能分割，将部分处理任务下沉到网络边缘，从而减轻fronthaul链路的负担并放松延迟要求。3GPP标准组织提出的功能分解(FS)方案，将基带处理分为集中单元(O-CU)和分布单元(O-DU)，而柔性功能分解(FFS)则进一步允许移动网络运营商根据实时网络状况动态选择最优的分解点。

然而，FFS在O-RAN中的部署仍面临核心挑战：如何在满足严格延迟约束的同时，实现能源效率的最大化？将更多处理功能分配给O-DU虽然可以降低fronthaul流量和延迟，但会增加雾节点的能耗；而过度集中化处理虽然节能，却可能导致fronthaul拥塞和延迟违规。此外，采用eCPRI协议传输数字化无线信号虽然降低了带宽需求，但分组化的操作可能会在传输链路和处理实体处引入额外的排队延迟。

针对这一复杂问题，巴西研究团队在《IEEE Transactions on Green Communications and Networking》上发表了一项创新性研究。他们开发了一套完整的解决方案，用于在延迟约束的O-RAN环境中优化柔性功能分解策略，核心目标是最小化系统总功耗。研究首次将基于eCPRI标准的排队延迟模型集成到优化框架中，为动态功能分解决策提供了理论依据。

为了开展这项研究，研究人员主要采用了几个关键技术方法：首先是构建了精确的排队延迟模型，针对不同功能分解选项（Split E、I、D、B）下的流量特性，分别采用D/D/1队列（适用于确定性流量）和M/M/1队列结合令牌桶准入控制(TBAC)（适用于突发性用户流量）进行分析；其次是建立了整数线性规划(ILP)模型，将功能分解选择、资源分配和vBBU放置统一建模为约束优化问题；最后是针对大规模网络场景，设计了基于图论的高效启发式算法，将网络建模为有向图并通过最小成本最大流算法实现近实时决策。

研究团队首先对O-RAN系统架构进行了详细阐述。该架构包含RAN处理层和光传输层两个主要部分。RAN处理层包含多个O-RU（开放式无线单元）和两类处理节点：雾节点（承载O-DU）和云节点（承载O-CU）。用户设备(UE)通过O-RU接入网络，O-RU收集基带信号后转发给处理节点。在光域方面，虚拟无源光网络(VPON)集成多种接口（如F1、Xn、E1），采用时分复用(TDM)技术在同一光信道中传输eCPRI连接（包括同步、控制和用户数据）。

功能分解选项的特性分析

研究人员深入比较了四种主要功能分解选项的特性。Split E将大多数处理功能集中在云端，O-RU仅保留射频功能，带宽需求最高（1966 Mb/s），延迟要求最严格（≤100μs）。Split I在本地执行快速傅里叶变换(FFT)和调制等功能，将比特率降低至Split E的40%（674.4 Mb/s）。Split D将PHY层任务卸载到本地，而MAC和网络层保留在云端，显著降低fronthaul带宽需求（119 Mb/s），但延迟容忍度较宽松（≤500μs）。Split B在本地执行RLC和缓冲功能，fronthaul需求最低（44 Mb/s），但在协调多点传输(CoMP)等特性方面存在限制。

排队延迟模型的构建

研究的关键创新在于提出了一个全面的排队延迟模型，该模型考虑了O-RU与O-CU/O-DU之间的数据、同步和控制连接。对于Split E和I，由于所有O-RU同步生成I/Q样本并以恒定比特率(CBR)传输，采用D/D/1队列模型，最大延迟通过公式dⁱ= (μ_i- λ_i)/(μ_iλ_i)计算。对于Split B和D，总延迟由O-RU到O-DU的延迟(dⁱ_rd)和O-DU到O-CU的延迟(dⁱ_dc)组成，且需要分别考虑用户数据（突发性）、控制流量和同步流量（确定性）的不同特性。用户数据流量采用令牌桶准入控制(TBAC)策略进行监管，最大排队延迟公式为dⁱ_u= 1/(μ_u- λⁱ_u) × [β + (λⁱ_u- r)/r]。

优化模型的建立与求解

基于延迟模型，研究团队建立了ILP模型，目标函数是最小化功耗，包括处理节点、线路卡、ONU和功能分解选项的成本。约束条件确保每个O-RU只关联一个功能分解选项，容量限制得到遵守，并且延迟约束得到满足。该模型通过二进制变量决策vBBU的放置和功能分解选项的选择。

高效启发式算法的设计

为解决ILP模型在大规模网络中的可扩展性问题，研究人员提出了基于图论的启发式算法。该算法将O-RAN网络建模为有向图G=(V,E)，其中顶点代表处理和传输元素，边代表fronthaul连接。通过构建分层拓扑结构，将功能分配问题转化为最小成本最大流问题，能够在毫秒级时间内生成接近最优的解决方案，特别适合实时网络规划和动态重配置场景。

数值结果与性能评估

在性能评估部分，研究团队使用5GPy模拟器进行了全面实验。静态流量场景下的结果表明，FS CF-RAN方法在保持100%可用性的同时，实现了能源消耗的最佳平衡。完全集中化的C-RAN虽然能耗最低，但由于频繁的请求阻塞导致可用性急剧下降；而传统的CF-RAN（无柔性功能分解）虽然可用性较高（超过98%），但能耗显著增加。

动态流量场景的仿真进一步验证了所提方法的优越性。在24小时流量曲线（峰值约120Gb/s，峰均比3.14）下，FS CF-RAN通过动态调整功能分解策略，成功避免了需求分配不足的问题，而C-RAN由于延迟违规和缺乏中间处理节点，阻塞率较高。启发式算法在执行时间上表现尤为突出，对于大规模网络，ILP需要长达30，000秒的求解时间，而启发式算法能在1秒内完成计算，且解决方案质量与ILP结果相差无几。

研究还深入分析了延迟阈值对系统性能的影响。当fronthaul延迟超过100μs（Split E的阈值）时，系统会主动将处理任务转移到雾节点，选择延迟要求较宽松的分解选项（如Split I或D），从而维持服务连续性。这种自适应行为是FS CF-RAN高可用性的关键所在。

研究结论与意义

本研究通过将排队延迟模型与优化理论相结合，为O-RAN中的柔性功能分解问题提供了全面解决方案。ILP模型为中小规模网络提供了最优决策基准，而图论启发式算法则实现了大规模网络的高效优化。研究结果表明，柔性功能分解策略能够在严格延迟约束下实现显著的能源节约（功耗降低9.93%），同时将网络可用性提升35%。

该研究的实际意义在于为6G O-RAN部署提供了可扩展的资源管理框架。通过动态调整功能分解点，网络运营商可以根据实时流量模式和能源可用性（如可再生能源）优化运营成本。此外，研究所采用的建模方法（结合排队论和优化理论）为未来网络分析提供了重要参考。

尽管本研究取得了显著成果，作者也指出了若干未来研究方向，包括与标准化O-RAN接口的集成、测试平台验证、机器学习驱动的功能分解预测，以及更精细的能源消耗建模。这些工作将进一步完善FS CF-RAN框架，推动其向实际部署迈进。