

研究意义

本文工作

实验结果

数据效率大幅提升:相比场景专用重训练,CPLF机制在BBU侧所需训练数据量减少36%~50%,显著降低了数据采集与存储开销。
训练时间显著缩短:CPLF将模型更新耗时缩减约71%~78%,证明协同学习能有效加速模型迭代。
预测精度与收敛速度双优:CPLF方案在各场景下均展现出更快的误差收敛速度和更低的稳态预测误差,表明跨场景共享表示可提升泛化能力。
系统吞吐量增益相当,开销却更低:在UE平均上行吞吐量方面,CPLF与SLT均较非AI基线提升9%~18%,但CPLF大幅降低了训练开销,实现了性能与效率的兼得。
端到端延迟大幅降低:CIS-RAN架构下,AI推理直接在BBU侧完成,服务数据路径终结于RAN内部,室内外场景的平均端到端延迟均低于20 ms;而传统架构需经UPF转发至MEC服务器,延迟约为60 ms。
闭环服务能力增强:CIS-RAN实现了感知-决策-行动的紧耦合闭环,为具身智能等对确定性时延敏感的应用奠定了基础。





