控制器不能再逐层孤立优化
开放式无线接入网（Open RAN）常被描述为一组开放接口与软件组件。Maria Tsampazi 的博士论文追问了更难的问题：当网络切片、调度、链路自适应、传播控制、功率分配和频谱共享都进入同一个反馈系统后，控制器应如何协同这些决策？公开摘要给出了一条跨层研究主线，其核心是让开放、解耦的 RAN 控制闭环能够响应业务、信道和服务需求的变化。
这项工作覆盖多种控制时间尺度。深度强化学习（DRL）用于网络切片与调度，PandORA 框架则面向无线仿真器上的 Open RAN 应用，自动完成学习策略的设计、训练和部署。在线强化学习处理链路自适应，使决策随无线链路变化，而不是只依赖固定离线数据。在物理层，论文建立可重构智能表面（RIS）信道模型，并研究跨频段资源分配；在更大尺度上，还通过功率控制和波束成形研究蜂窝链路与非地面网络（NTN）链路的频谱共享。
跨层收益需要系统级验证
这种广度很重要，因为单层收益很容易把瓶颈转移到别处。调度器可能提升吞吐量，却增加能耗；传播环境重构可能改善一种业务，却改变其他用户的干扰；地面—卫星共享策略又可能依赖不同时间尺度上的功率和波束决策。把这些模块视为同一系统后，算法之间的接口本身也成为研究对象。
摘要还描述了从仿真、硬件在环仿真、数字孪生到空口 5G 实验的验证路径。相较于单一仿真环境，这条路径更能检验控制方案能否承受真实的时序和系统集成约束。不过，公开摘要没有提供覆盖全部贡献的统一量化基准，因此更适合把它理解为一份经过多层验证的系统研究地图，而不是某个控制器在所有场景下都优于其他方法的证明。
最直接的启示是：AI 原生无线通信需要在层间接口处明确观测量、约束与验证方式。仅把学习策略放进 RAN 并不等于形成智能系统；只有当控制闭环、资源约束和部署路径被共同设计时，智能才真正落地。
研究札记
Cross-Layer Optimization and System-Level Design of Next-Generation Wireless Networks via Intelligent RAN Control
- 作者： Maria Tsampazi
- 公开记录： arXiv
- 已确认内容： 公开摘要把 Open RAN 控制、深度强化学习、在线链路自适应、RIS 辅助资源分配和地面—非地面频谱共享连接起来，并描述了多层次实验验证。
- 阅读边界： 摘要概括的是博士论文级研究组合，没有给出贯穿全部贡献的统一基准或单一数值对比。