O artigo apresenta o ADORN, uma abordagem de retreinamento adaptativo baseada em Q-learning projetada para mitigar a degradação de desempenho causada por variações dinâmicas de tráfego e deriva em Redes de Acesso Radio Abertas (O-RAN). Ao formular a decisão de retreinamento como um Processo de Decisão de Markov, um agente de Aprendizado por Reforço aprende uma política que equilibra a precisão da previsão com os custos de retreinamento.
- O sistema incorpora um conjunto de especialistas múltiplos de Memória de Curto e Longo Prazo (LSTM) para mitigar o esquecimento catastrófico e melhorar a robustez em diversas condições de tráfego.
- Os resultados experimentais demonstram que o ADORN reduz eficazmente a sobrecarga de retreinamento em comparação com as linhas de base gananciosas e aleatórias, mantendo o desempenho do sistema dentro dos limites predefinidos.
Esta abordagem aborda os altos custos computacionais e as possíveis violações dos Acordos de Nível de Serviço (SLA) associados aos métodos tradicionais de retreinamento em ambientes O-RAN.