可解释的运行时依赖跟踪用于AI-RAN冲突监控

# 可解释的运行时依赖跟踪，用于AI-RAN冲突监控
来源：https://arxiv.org/html/2606.06663
###### 摘要

未来集成人工智能的无线接入网络（AI-RAN）将把开放可编程性与支持学习的xApps、rApps以及对共享参数和关键性能指标（KPI）进行操作的控制器功能相结合。对于冲突监控而言，仅仅知道部署了哪些应用是不够的；系统还必须知道，在当前的运行机制下，运行时诊断所依赖的参数-KPI关联是否仍然有效。本文研究了一种轻量级的监控原语来实现这一目标：从流式遥测事件中跟踪可解释的依赖关系表示。

我们使用布尔矩阵表示活跃的依赖关系，并通过布尔矩阵乘法来检查最近的参数-活动和KPI-响应事件是否与当前估计一致。我们提出了一种滑动窗口推断过程，当当前估计保持一致性时重复使用它，而当最近的观测表明结构发生变化时则重新计算它。该跟踪器旨在作为冲突诊断和慢循环模型刷新的可解释信号，而非自主缓解机制。在受控的布尔事件流上进行的实验表明，该跟踪器在依赖关系变化和布尔观测噪声下能够高效且准确地跟踪。

## I. 引言

无线接入网络正朝着开放、可编程且日益集成人工智能的架构发展。这一转变对于商业和国防领域都是一个明确的优先事项。开放无线接入网络（O-RAN）暴露了控制接口，以支持独立开发的第三方应用（称为xApps和rApps）。这些应用优化了移动性、网络切片、负载均衡、能耗和资源分配[1, 2]。OUSD(R&E) FutureG办公室已将可编程、开放接口的RAN认定为未来国防通信的基础设施。该办公室在其“频谱前沿”（Spectrum Forward）倡议下，积极资助开源RAN协议栈、以安全为重点的xApp和rApp开发以及弹性的战术部署[3, 4]。由FutureG支持的OCUDU倡议正在开发一个开放的、运营商级别的、原生于AI的RAN软件栈，用于商业和关键任务的国防操作[5, 6]。AI-RAN进一步将学习、预测和自适应决策制定作为控制循环的核心部分[7, 8]。未来的网络趋向于多种自适应控制功能，这些功能随流量、上下文、策略和运行环境而变化。

这种灵活性带来了一个运行时推理问题，在军事场景中尤为突出。在同一RAN中运行的控制功能可能通过共享参数、共享KPI或通过观测到的网络状态反馈而产生交互。这些交互可能导致冲突，削弱实现预定目标的能力。在商业环境中，冲突可能会降低吞吐量或能效。在战术环境中，未被检测到的控制功能冲突可能会降低关键任务链路的质量，掩盖敌方的干扰特征，或阻止自适应响应生效。先前的FutureG SBIR招标已明确指出xApps和rApps是实现支持作战人员通信所需的敏捷性和韧性的优先事项[3]。

一些冲突可能从应用订阅或控制目标中可见。其他冲突仅通过参数变化到KPI的传播，以及随后的控制决策而产生。这些间接交互难以提前识别，因为相关的参数-KPI关系可能是隐藏的、非线性的或依赖于运行机制的。在战术背景下，机制变化可能是突然的；节点丢失、干扰出现或动态插入新的控制功能可能在几秒内改变参数-KPI关系。正如FutureG FRONTIER研讨会所强调的，敌对行动进一步使战术环境复杂化，导致了传统监控无法预期的依赖关系变化[9]。因此，运行时跟踪必须询问监控逻辑所使用的依赖关系是否与最近的遥测数据一致，如果不一致，则标记可能的机制变化或需要慢循环刷新。

现有的大部分工作使用基于图的模型来表示O-RAN关系，例如冲突图、GNN、图卷积网络和超图[10, 11, 12, 13, 14, 15]。这些图表示对于可视化、链接预测、冲突标记和结构学习很有用。然而，这些方法是为周期性或离线分析设计的。PACIFISTA报告的冲突评估时间约为20秒[11]。基于GNN的重建需要数百个epoch的训练[10]。这些时间尺度与在动态战术环境中跟踪参数-KPI变化的需求不匹配。

在本文中，我们使用参数-KPI关系的布尔表示，以在快/慢循环工作流中实现动态运行时监控。较慢的学习循环学习一个布尔化模型，用于检测显著的参数活动和KPI响应事件[16]。运行时循环将该模型应用于流式遥测数据，以维护和更新参数-KPI依赖关系。这种分离将更重的连续数据学习问题留在慢循环中，而快循环则处理一个紧凑的代数量跟踪问题。

本文的主要贡献如下：

1. 我们将运行时参数-KPI依赖跟踪构建为一个AI-RAN冲突监控原语，用于检测不断演变的控制环境中过时的依赖假设，包括变化可能突然且由敌对因素引发的争议性战术环境。
2. 我们引入了一种布尔代数依赖关系表示，其中检查最近的观测是否与当前依赖模型匹配简化为一个布尔矩阵方程。
3. 我们定义了一个快/慢循环工作流，其中较慢的学习阶段提供布尔事件指示符，而运行时循环在线维护一个可解释的依赖矩阵。
4. 我们开发并评估了一种滑动窗口重用与重新计算推断过程，并在受控的布尔事件流上量化了跟踪精度、误报、检测延迟和每个事件的处理成本。

## II. 方法

本节定义了运行时遥测抽象、布尔依赖模型、滑动窗口推断规则、受控布尔事件生成器和跟踪度量。

### II-A 运行时遥测和布尔事件模型

令 \( p(c) \in \mathbb{R}^{n_P} \), \( k(c) \in \mathbb{R}^{n_K} \) 表示观测索引 \( c \) 处的实值控制参数和KPI遥测数据。这里 \( n_P \) 是控制参数的数量，\( n_K \) 是KPI的数量。在运行时，每个观测值使用由较慢阶段学习的布尔化模型转换为布尔事件指示符 [16]：

\[
\mathcal{Q}_\theta: (p(c), k(c), \mathcal{H}_c) \mapsto \left( b_P(c), b_K(c) \right),
\]

其中 \( \mathcal{H}_c \) 表示转换器使用的任何近期历史或基线信息，\( b_P(c) \in \{0,1\}^{n_P} \)，\( b_K(c) \in \{0,1\}^{n_K} \)。条目 \( b_P[i](c)=1 \) 表示参数 \( P_i \) 中有一个显著的活动事件；\( b_K[j](c)=1 \) 表示KPI \( K_j \) 中有一个显著的响应。本文侧重于此转换之后的依赖跟踪步骤；学习布尔化模型作为慢循环的一部分 [16]。

### II-B 布尔依赖表示

在观测 \( c \) 处的活跃参数-KPI依赖结构由一个潜在布尔矩阵 \( L^*(c) \in \{0,1\}^{n_K \times n_P} \) 表示，其中 \( L^*(c)[j,i]=1 \) 表示在当前运行机制中参数 \( P_i \) 的活动可以影响KPI \( K_j \)。在理想的无噪声情况下：

\[
b_K(c) = L^*(c) \odot_B b_P(c),
\]

其中 \( \odot_B \) 表示布尔矩阵乘法：

\[
\left( L^*(c) \odot_B b_P(c) \right)_j = \bigvee_{i=1}^{n_P} \left( L^*(c)[j,i] \wedge b_P[i](c) \right).
\]

给定一个候选矩阵 \( L \)，相应的预测KPI事件向量为 \( \widehat{b}_K(c) = L \odot_B b_P(c) \)。当

\[
\widehat{b}_K(c) = b_K(c)
\]

时，单个观测由 \( L \) 解释。否则，观测产生不匹配（见图1）。运行时的目标是维护一个估计 \( \widehat{L}(c) \in \{0,1\}^{n_K \times n_P} \)，跟踪 \( L^*(c) \)，而不将每一个单个不匹配都视为结构变化。

**(a) 矩阵 \( L \)**
|    | \( P_1 \) | \( P_2 \) | \( P_3 \) |
|----|-----------|-----------|-----------|
| \( K_1 \) | 1         | 1         | 0         |
| \( K_2 \) | 1         | 1         | 1         |

**(b) 布尔检查**
\( p(t) \): \( P_1=1 \), \( P_2=1 \), \( P_3=0 \)
\( \widehat{k}(t) \): \( K_1=1 \), \( K_2=1 \)
\( k(t) \): \( K_1=1 \), \( K_2=0 \)
观测 → 预测 ≠ 观测
\( \widehat{k}(t) \neq k(t) \)

**(c) 图视图**
参数: \( P_1, P_2, P_3 \) → KPI: \( K_1, K_2 \)
\( P_i=1 \), \( P_i=0 \), \( K_i=1 \), \( K_i=0 \), 不匹配

> 图1: 单步布尔依赖一致性检查。
> (a) 一个二元矩阵 \( L \) 编码了参数-KPI依赖关系。
> (b) 布尔预测 \( \widehat{k}(t) = L \odot_B p(t) \) 与观测到的KPI事件向量 \( k(t) \) 进行比较。
> (c) 相同的不匹配在相应的依赖关系图上显示。窗口内的持续不匹配可能表明 \( L \) 发生了变化。

对于长度为 \( W \) 的滑动窗口，定义
\( B_P^{(c,W)} = [b_P(c-W+1), \dots, b_P(c)] \in \{0,1\}^{n_P \times W} \) 和
\( B_K^{(c,W)} = [b_K(c-W+1), \dots, b_K(c)] \in \{0,1\}^{n_K \times W} \)
为堆叠的布尔参数和KPI事件矩阵（分别）。候选依赖矩阵 \( L \) 与窗口一致，如果

\[
B_K^{(c,W)} = L \odot_B B_P^{(c,W)}.
\]

### II-C 逐行布尔推断

窗口级一致性条件按KPI行分解。对于每一行 \( \ell_j \in \{0,1\}^{n_P} \)，行推断问题为：

\[
\widehat{\ell}_j = \operatorname*{argmin}_{\ell \in \{0,1\}^{n_P}} \left\| B_{K,j}^{(c,W)} - \ell \odot_B B_P^{(c,W)} \right\|_0,
\]

其中 \( \|\cdot\|_0 \) 表示非零条目的数量。通过最小汉明距离与当前行估计的差距来打破平局。\( \widehat{L} \) 的每一行可以独立并行地推断，因此墙钟时间不随 \( n_K \) 增长。对于本文研究的小型矩阵，我们使用对 \( 2^{n_P} \) 个候选的穷举搜索；较大的部署可以应用标准的0-1优化方法 [17]。

### II-D 滑动窗口运行时推断

算法1维护了一个包含最近 \( W \) 个布尔事件观测的滑动窗口。在每个新的观测索引 \( c \) 处，循环接收实值遥测数据，将其转换为布尔事件向量，更新窗口，并测试当前依赖估计是否与最近的窗口一致。如果估计一致，则重用当前矩阵。如果不一致，则使用公式中的逐行推断规则从当前窗口重新计算矩阵。

**算法1** 滑动窗口依赖跟踪
---
**输入**: 遥测流, \( \mathcal{Q}_\theta \), 窗口大小 \( W \)
**初始化**: 窗口缓冲区 and 当前估计 \( \widehat{L}_{cur} \)
**for** \( c = 1, \dots, T \) **do**
    \( (b_P(c), b_K(c)) \leftarrow \mathcal{Q}_\theta(p(c), k(c), \mathcal{H}_c) \)
    更新 \( B_P^{(c,W)} \) 和 \( B_K^{(c,W)} \)
    **if** 窗口已满 **且** ( \( \widehat{L}_{cur} \) 为空 或 公式(2) 失败 ) **then**
        使用公式(4) 重新计算 \( \widehat{L}_{cur} \)
    **end if**
    设置 \( \widehat{L}(c) \leftarrow \widehat{L}_{cur} \)
**end for**
---

这种重用与重新计算规则旨在避免不必要的推断。只有当最近的观测与当前矩阵不一致时，才会触发重新计算。窗口大小 \( W \) 控制了稳定性与适应性之间的主要权衡。小的 \( W \) 可以快速响应结构变化，但可能欠定且对孤立的布尔化误差敏感。大的 \( W \) 为每个推断的依赖矩阵提供更多证据，但在变化后可能混合来自多个依赖机制的观测。

### II-E 依赖跟踪数据生成器

实验评估隔离了运行时跟踪层。因此，我们直接生成具有已知真实依赖变化的受控布尔事件流。这使我们能够独立于连续到布尔转换阶段引入的误差，研究滑动窗口跟踪器的行为。

初始稀疏矩阵 \( L^*(1) \in \{0,1\}^{n_K \times n_P} \) 每 \( D \) 个观测被扰动一次，以产生分段常数的真实序列 \( L^*(1), \dots, L^*(T) \)。较大的 \( D \) 值对应较慢的结构变化，而较小的 \( D \) 值产生更动态的跟踪问题。在每个步骤中采样参数事件向量 \( b_P(c) \)。相应的无噪声KPI响应向量为 \( b_K(c) = L^*(c) \odot_B b_P(c) \)。通过以概率 \( \varepsilon \) 独立翻转 \( b_K(c) \) 条目来添加布尔噪声。

### II-F 评估指标

我们使用边缘级和变化检测指标，将推断出的序列 \( \widehat{L}(c) \) 与真实序列 \( L^*(c) \) 进行比较。对于边缘级跟踪，依赖矩阵的每个条目被视为一个参数与一个KPI之间的二元边缘决策。我们...