网络异构环境下的 O-RAN 原生干扰检测

arXiv:2610.20816v1 公告类型：new 摘要：射频干扰威胁着对抗环境中的蜂窝网络运行。Open Radio Access Network（O-RAN）架构通过 E2 接口公开逐个 User Equipment（UE）的遥测数据，从而无需专有硬件即可基于 Key Performance Indicator（KPI）进行干扰检测。然而，实际部署要求检测方法能够适应异构网络。我们提出一种 Statistical Ensemble Method（SEM），通过加权投票系统结合基于自适应 Median Absolute Deviation（MAD）的基线检测、基于计数的异常检测以及突变检测。SEM 以两种模式运行：无需标注数据即可立即部署的冷启动模式，以及随着标注数据不断积累、通过离线网格搜索优化参数的监督模式。我们使用约 25 小时的测试平台数据对 SEM 与五种 machine learning（ML）分类器和五种 deep learning（DL）序列模型进行了评估。测试数据包含来自八个异构 5G 环境的日志，并采用单环境和多环境留一法（LOO）验证。分析表明，在训练过程中未曾遇到的条件下（分布偏移），基于学习的模型往往会降低召回率并漏检干扰事件；相比之下，SEM 即使处于冷启动模式，也能保持检测能力，但代价是产生更多误报。此外，SEM 的参数优化可以映射到 O-RAN 的 Non-RT RIC，作为一个 rApp 进行持续改进，使运营商能够在数据集覆盖范围足够后转向基于学习的替代方案。