發(fā)現(xiàn) COVID-19 疫苗所花的時(shí)間證明了醫(yī)療行業(yè)的創(chuàng)新步伐。創(chuàng)新的步伐可以直接聯(lián)系到蓬勃發(fā)展的創(chuàng)新者生態(tài)系統(tǒng)和大量基于人工智能的醫(yī)療保健初創(chuàng)公司。相比之下， 5G 無(wú)線(xiàn)產(chǎn)業(yè)引進(jìn)下一代系統(tǒng)大約需要十年時(shí)間。

O-RAN 聯(lián)盟是解決創(chuàng)新速度和部署后功能增強(qiáng)問(wèn)題的一種先驅(qū)。不透明設(shè)計(jì)的傳統(tǒng)模式正在被具有開(kāi)放和標(biāo)準(zhǔn)化界面的透明范式所打破。忘記使用封閉和專(zhuān)有的接口，以及為生態(tài)系統(tǒng)提供有限的選項(xiàng)，以便將新功能引入已部署的設(shè)備。

新的范例包括諸如 RAN 智能控制器（ RIC ）之類(lèi)的概念， RIC 是一項(xiàng)關(guān)鍵技術(shù)，它使第三方能夠向網(wǎng)絡(luò)添加新功能。這不僅為開(kāi)發(fā)者生態(tài)系統(tǒng)，也為網(wǎng)絡(luò)運(yùn)營(yíng)商提供了賺錢(qián)的機(jī)會(huì)。

無(wú)線(xiàn)的未來(lái)

軟件化、虛擬化和分散化是 5G 及以上通信網(wǎng)絡(luò)的一些基本概念。 RAN 的軟件化及其使用軟件無(wú)線(xiàn)電（ SDR ）范式的實(shí)現(xiàn)對(duì)于支持 5G 的三個(gè)關(guān)鍵用例至關(guān)重要：

增強(qiáng)型移動(dòng)寬帶（ eMBB ）

超可靠低延遲通信（ URLLC ）

大規(guī)模機(jī)器類(lèi)型通信（ mMTC ）

4G 和 5G 之間的一個(gè)關(guān)鍵區(qū)別在于，通過(guò)軟件，能夠動(dòng)態(tài)地啟動(dòng)和拆除由 eMBB 、 URLLC 和 mMTC 流組成的網(wǎng)絡(luò)片。事實(shí)上，這是 5G 的核心價(jià)值主張。

虛擬化是在移動(dòng)邊緣計(jì)算（ MEC ）中高效共享硬件和軟件資產(chǎn)以支持異構(gòu)工作負(fù)載的一個(gè)促成因素。分解代表了無(wú)線(xiàn)產(chǎn)業(yè)新生態(tài)系統(tǒng)的曙光。它為廣大的 spe CTR um 和新一代硬件開(kāi)發(fā)人員打開(kāi)了新的商機(jī)之門(mén)。

傳統(tǒng)的、單片的、不透明的無(wú)線(xiàn)基礎(chǔ)設(shè)施設(shè)備被分解為集中式單元（ CU ）、分布式單元（ DU ）和無(wú)線(xiàn)單元（ RU ）的邏輯實(shí)體。這使得傳統(tǒng)網(wǎng)絡(luò)和新興的專(zhuān)用 5G 網(wǎng)絡(luò)運(yùn)營(yíng)商能夠靈活地定制系統(tǒng)架構(gòu)，以滿(mǎn)足其運(yùn)營(yíng)和業(yè)務(wù)需求。

這種無(wú)線(xiàn)網(wǎng)絡(luò)基礎(chǔ)設(shè)施新方法的一個(gè)同樣重要的組成部分是硬件和軟件子系統(tǒng)之間物理和邏輯接口的標(biāo)準(zhǔn)化。隨著開(kāi)放軟件棧的開(kāi)發(fā)，這些功能使得能夠通過(guò)軟件快速部署新的網(wǎng)絡(luò)功能。它們還使新一代軟件生態(tài)系統(tǒng)開(kāi)發(fā)人員能夠編寫(xiě)應(yīng)用程序代碼，以便在網(wǎng)絡(luò)中部署。這些應(yīng)用程序通過(guò)這些標(biāo)準(zhǔn)化的接口和 api ，促進(jìn)了對(duì) CU 、 DU 和 RU 中運(yùn)行的實(shí)體的控制和交互。

RAN 智能控制器

O-RAN 聯(lián)盟正在標(biāo)準(zhǔn)化一個(gè)開(kāi)放的、智能的、可分解的 RAN 體系結(jié)構(gòu)。 目標(biāo)是使用 COTS 硬件構(gòu)建運(yùn)營(yíng)商定義的 RAN ，并為 5G 和未來(lái)一代 6G 無(wú)線(xiàn)網(wǎng)絡(luò)提供基于 AI / ML 的智能控制。將使用專(zhuān)有硬件、接口和軟件構(gòu)建的傳統(tǒng) RAN 替換為使用 COTS 硬件和開(kāi)放接口的 VRAN 。新的體系結(jié)構(gòu)可以選擇支持專(zhuān)有軟件和生態(tài)系統(tǒng)開(kāi)發(fā)的應(yīng)用程序。

O-RAN 標(biāo)準(zhǔn)最重要的元素之一是圖 1 所示的 RAN 智能控制器（ RIC ）。 RIC 由兩個(gè)主要組件組成：

非實(shí)時(shí) RIC （ Non-RT RIC ）：支持時(shí)間尺度大于 1 秒的網(wǎng)絡(luò)功能。

近實(shí)時(shí) RIC （近實(shí)時(shí) RIC ）：支持以 10 毫秒 -1 秒的時(shí)間尺度運(yùn)行的函數(shù)。

作為 SMO 框架的一部分，非 RT RIC 的一些職責(zé)包括 ML 模型生命周期管理和 ML 模型選擇。它還包括對(duì)從 CU 、 DU 甚至 RU 收集的數(shù)據(jù)進(jìn)行編組、整理和預(yù)處理，為在訓(xùn)練主機(jī)上進(jìn)行模型訓(xùn)練做準(zhǔn)備。

O-RAN 架構(gòu)中引入的近 RT-RIC 為系統(tǒng)帶來(lái)了軟件定義的智能。它包括對(duì) CU 和 DU 數(shù)據(jù)流的高級(jí)近實(shí)時(shí)分析、 AI 模型推理和機(jī)器學(xué)習(xí)（ ML ）模型的在線(xiàn)再培訓(xùn)。

SMO 、 Non-RT-RIC 和 Near-RT-RIC 共同將 ML 技術(shù)引入到網(wǎng)絡(luò)體系結(jié)構(gòu)的所有層：第 1 層 PHY 、第 2 層，以及通過(guò)基于 AI 的自組織網(wǎng)絡(luò)（ SoN ）功能在網(wǎng)絡(luò)級(jí)別本身。

圖 1 。 O-RAN RIC 體系結(jié)構(gòu)由非 RT RIC 、近 RT RIC 和這些軟件實(shí)體之間的各種接口組成。這些接口允許從 CU 、 DU 和 RU 中進(jìn)行控制、配置和數(shù)據(jù)提取。 來(lái)源： 開(kāi)放、可編程和虛擬化 5G 網(wǎng)絡(luò)：現(xiàn)狀和未來(lái)之路 。

為了幫助更詳細(xì)地理解 RIC ，請(qǐng)考慮一個(gè) LTE 示例。該方法類(lèi)似于 5G NR 。該示例通過(guò)使用長(zhǎng) – 短期記憶（ LSTM ）業(yè)務(wù)預(yù)測(cè)模型，使用支持 RIC 的 AI 進(jìn)行小區(qū)容量管理。其目標(biāo)是預(yù)測(cè)網(wǎng)絡(luò)中所有小區(qū)的通信量并緩解未來(lái)的擁塞。有關(guān)更多信息，請(qǐng)參閱 超 5G 和 6G 無(wú)線(xiàn)網(wǎng)絡(luò)的智能 O-RAN 。

兩層 LSTM 網(wǎng)絡(luò)每層使用 12 個(gè) LSTM 單元。它是在一個(gè)真實(shí)的、完全可操作的無(wú)線(xiàn)網(wǎng)絡(luò)中使用來(lái)自 17 個(gè) LTE enb 的 UE 吞吐量測(cè)量和物理資源塊（ PRB ）利用率來(lái)訓(xùn)練的。推斷操作預(yù)測(cè)未來(lái) 1 小時(shí)內(nèi) UE 吞吐量和 eNB 下行鏈路 PRB 利用率。

圖 2 顯示了一個(gè) eNB 的一個(gè)小區(qū)的吞吐量和 PRB 利用率的基本事實(shí)（實(shí)際）和預(yù)測(cè)（ LSTM 推斷）。平均預(yù)測(cè)準(zhǔn)確率為 92 。 64% 。由于能夠預(yù)測(cè)未來(lái) 1 小時(shí)內(nèi)的小區(qū)負(fù)荷， eNB 可以采取措施避免覆蓋中斷，例如小區(qū)分裂。

圖 2 。網(wǎng)絡(luò)中所選 eNB 的小區(qū)的用戶(hù)感知 IP 吞吐量和 PRB 利用率預(yù)測(cè)。 來(lái)源： 超 5G 和 6G 無(wú)線(xiàn)網(wǎng)絡(luò)的智能 O-RAN 。

在本例中， SMO 的作用是通過(guò) O1 接口（圖 1 ）從 O-CU / DU 收集數(shù)據(jù)并將其傳送到非 RT RIC 。非 RT-RIC rApp 反過(guò)來(lái)查詢(xún)與 SMO 相關(guān)聯(lián)的 AI 服務(wù)器。 AI 服務(wù)器運(yùn)行一個(gè)訓(xùn)練過(guò)程，根據(jù)從操作網(wǎng)絡(luò)收集的新數(shù)據(jù)更新 LSTM 模型參數(shù)。

從編程模型和計(jì)算能力的角度來(lái)看， gpu 是 ML 訓(xùn)練的自然選擇。無(wú)線(xiàn)網(wǎng)絡(luò)規(guī)模龐大，訓(xùn)練工作量大。 我們不感興趣的模型訓(xùn)練為一個(gè)單一的 eNB 與幾個(gè)細(xì)胞。相反，我們感興趣的是培訓(xùn)一個(gè)系統(tǒng)，它可以有 100 到 1000 個(gè)基站，有 1000 個(gè)小區(qū)和 1000 到 10000 個(gè)用戶(hù)終端。擁有一個(gè) GPU 支持的人工智能培訓(xùn)服務(wù)器，就可以在許多 SMO 主機(jī)上共享基礎(chǔ)設(shè)施。它比 CPU 人工智能培訓(xùn)主機(jī)更具成本和能效。換言之，網(wǎng)絡(luò)運(yùn)營(yíng)商既有資本支出優(yōu)勢(shì)，也有運(yùn)營(yíng)支出優(yōu)勢(shì)。

在訓(xùn)練服務(wù)器更新 LSTM 模型之后，更新的模型參數(shù)被返回到非 RT-RIC rApp ，并且吞吐量/ PRB 預(yù)測(cè)過(guò)程繼續(xù)使用更新的模型。圖 3 顯示了吞吐量增益?？v軸顯示每個(gè)頻段的用戶(hù)吞吐量在橫軸上表示的工作小時(shí)數(shù)的分?jǐn)?shù)。

例如，您可以看到，在沒(méi)有小區(qū)分裂的情況下，吞吐量在 5-7 。 5 Mbps 的范圍內(nèi)大約有 1% 的時(shí)間。通過(guò)預(yù)測(cè)細(xì)胞分裂，吞吐量在相同的范圍內(nèi)大約為 10% ，相差 10 倍。

圖 3 。不同小區(qū)分裂配置的用戶(hù)吞吐量。 來(lái)源： 超 5G 和 6G 無(wú)線(xiàn)網(wǎng)絡(luò)的智能 O-RAN 。

NVIDIA 正在研究的 xApp 是實(shí)現(xiàn)智能和預(yù)測(cè)的多小區(qū)聯(lián)合資源管理。這有可能顯著提高網(wǎng)絡(luò)的能源效率。

在非 RT-RIC 上運(yùn)行的 AI 算法可以在一個(gè)預(yù)測(cè)窗口內(nèi)（以秒到分鐘的時(shí)間尺度）預(yù)測(cè)每個(gè)小區(qū)的用戶(hù)密度和流量負(fù)載。預(yù)測(cè)基于 CUs 和 DUs 提供的交通歷史。每個(gè) DU 調(diào)度器都會(huì)做出關(guān)閉某些具有低預(yù)測(cè)流量負(fù)載的小區(qū)的決定，以降低能耗。它們還觸發(fā)來(lái)自相鄰活動(dòng)小區(qū)的協(xié)調(diào)多點(diǎn)傳輸/接收（ CoMP ），以確保有效覆蓋。

近 RT-RIC 有助于在同一頻段上實(shí)現(xiàn) eMBB 和 URLLC 數(shù)據(jù)業(yè)務(wù)的高效復(fù)用。由于服務(wù)需求的顯著差異， eMBB 和 URLLC 傳輸被安排在兩個(gè)不同的時(shí)間尺度上： eMBB 和 URLLC 的時(shí)隙和小時(shí)隙級(jí)別。

位于近 RT RIC 的基于 AI 的 xApp 可以根據(jù)從 DU 通過(guò) E2 接口傳輸?shù)牧髁拷y(tǒng)計(jì)信息來(lái)學(xué)習(xí)和預(yù)測(cè) URLLC 數(shù)據(jù)包到達(dá)模式（圖 1 ）。在 DU 調(diào)度器中使用這種預(yù)測(cè)知識(shí)來(lái)優(yōu)化 eMBB 數(shù)據(jù)流之上的 URLLC 小時(shí)隙的資源預(yù)留。它還用于最小化這種多路復(fù)用造成的 eMBB 吞吐量損失。

您還可以設(shè)想一個(gè) xApp 用于大規(guī)模 MIMO 波束形成優(yōu)化，以最大限度地提高 spe CTR al 效率。在這種情況下，非 RT-RIC 承載 rApp 以執(zhí)行長(zhǎng)期數(shù)據(jù)分析。 rApp 的任務(wù)是收集和分析天線(xiàn)陣列參數(shù)，并不斷更新 ML 模型。近 RT-ricxapp 正在實(shí)現(xiàn) ML 推斷以配置例如波束水平和垂直孔徑以及單元形狀。

為什么是 GPU ？

5G NR 物理層的信號(hào)處理需求（ MACs /秒）是巨大的。 GPU 的大規(guī)模并行性帶來(lái)了能夠支持這類(lèi)工作負(fù)載的硬件資源。事實(shí)上，一個(gè) GPU 可以支持許多 10s 載波的基帶處理需求。上一代系統(tǒng)通常采用專(zhuān)用硬件加速器。然而， GPU 的并行性通過(guò)提供高級(jí)編程信號(hào)處理算法的 C ++抽象來(lái)實(shí)現(xiàn) RAN 的軟件化。

然而， GPU 的價(jià)值超出了 vRAN 信號(hào)處理。在大數(shù)據(jù)與無(wú)線(xiàn)結(jié)合的 5G 和 6G 系統(tǒng)中， AI / ML 用于提高網(wǎng)絡(luò)性能， GPU 是模型訓(xùn)練和推理的默認(rèn)標(biāo)準(zhǔn)。

一個(gè)通用的基于 GPU 的硬件平臺(tái)可以支持訓(xùn)練、推理和信號(hào)處理等任務(wù)。然而，這不僅僅是關(guān)于 GPU 硬件。一個(gè)同樣重要的考慮因素是用于編程 gpu 和 sdk 的軟件以及用于應(yīng)用程序開(kāi)發(fā)的庫(kù)。

gpu 是使用 CUDA 編程的， ZCK0 是世界上唯一商業(yè)上成功的基于 C / C ++的并行編程框架。還有一組豐富的 GPU 庫(kù)，用于開(kāi)發(fā)使用 NVIDIA RAPIDS 軟件套件的數(shù)據(jù)分析管道。數(shù)據(jù)分析管道可以是 SMO /非 RT RIC 用于更新和微調(diào)在近 RT RIC 下運(yùn)行的推理模型的服務(wù)之一。

VMware 和 NVIDIA 合作伙伴關(guān)系

在 2021 年初， VMware 發(fā)布了世界上第一個(gè)符合 O-RAN 標(biāo)準(zhǔn)的近 RT RIC ，用于與選定的 RAN 和 xApp 供應(yīng)商合作伙伴進(jìn)行集成和測(cè)試。為了便于在其近 RT-RIC 上開(kāi)發(fā) xApp ， VMware 向其 xApp 合作伙伴提供了一組打包為 SDK 的開(kāi)發(fā)人員資源。

今天， VMware 和 NVIDIA 興奮地宣布，近乎 RT 的 RIC SDK 現(xiàn)在使 xApp 開(kāi)發(fā)人員能夠在其應(yīng)用程序中利用 GPU 加速。這是業(yè)界一個(gè)激動(dòng)人心的里程碑。它為更大的行業(yè)打開(kāi)了大門(mén)，為現(xiàn)代 RAN 構(gòu)建 AI / ML 動(dòng)力能力，包括那些基于 NVIDIA 空中 gNB 堆棧的能力。最終， VMware RIC 和 NVIDIA 空中堆棧的組合將支持新的和創(chuàng)新的 XAPP 的開(kāi)發(fā)和貨幣化，以增強(qiáng)或擴(kuò)展已部署網(wǎng)絡(luò)的能力。

結(jié)論

開(kāi)放性和智能性是 O-RAN 計(jì)劃的兩大核心支柱。隨著 5G 的推出和 6G 研究的不斷深入，無(wú)線(xiàn)網(wǎng)絡(luò)的部署、優(yōu)化和運(yùn)行的智能將是無(wú)所不包的。

從蜂窩網(wǎng)絡(luò)歷史上采用的不透明方法轉(zhuǎn)變?yōu)榭焖賱?chuàng)新和新 RAN 功能上市的新時(shí)代打開(kāi)了大門(mén)。 NVIDIA vRAN （ NVIDIA AIR ）和 AI 技術(shù)，結(jié)合 VMware RIC ，將培育新一代無(wú)線(xiàn)技術(shù)，開(kāi)辟新的盈利和創(chuàng)新機(jī)會(huì)。

關(guān)于作者

Rakesh Misra 博士是 VMware 服務(wù)提供商和邊緣業(yè)務(wù)部門(mén)的研發(fā)總監(jiān)。在加入 VMware 之前，他與人共同創(chuàng)建了 Uhana 公司，該公司為移動(dòng)無(wú)線(xiàn)接入網(wǎng)（ RAN ）商業(yè)化了一個(gè) AI / ML 供電的可觀(guān)察性和優(yōu)化平臺(tái)。 Uhana 于 2019 年被 VMware 收購(gòu)。在 VMware ，他領(lǐng)導(dǎo) VMware 開(kāi)放 RAN 平臺(tái)的體系結(jié)構(gòu)和開(kāi)發(fā)，以及 RAN 應(yīng)用程序生態(tài)系統(tǒng)的創(chuàng)建。他有博士學(xué)位。來(lái)自斯坦福大學(xué)和 B 。 Tea 。和 M 。 Tech 。來(lái)自印度技術(shù)學(xué)院（ IIT ）馬德拉斯，全是電子工程專(zhuān)業(yè)。

Chris Dick 博士是 NVIDIA 的無(wú)線(xiàn)架構(gòu)師，也是將人工智能和機(jī)器學(xué)習(xí)應(yīng)用于 5G 和 6G 無(wú)線(xiàn)的技術(shù)負(fù)責(zé)人。在從事信號(hào)處理和通信的 24 年中，他為 3G 、 4G 和 5G 基帶 DSP 和 Docsis 3 。 1 電纜接入提供了硅和軟件產(chǎn)品。他為蜂窩系統(tǒng)的數(shù)字前端（ DFE ）技術(shù)進(jìn)行了研究并交付了產(chǎn)品，特別強(qiáng)調(diào)用于功率放大器線(xiàn)性化的數(shù)字預(yù)失真。 Chris 還廣泛研究了計(jì)算機(jī)視覺(jué)中機(jī)器學(xué)習(xí)的體系結(jié)構(gòu)和編譯器。在 1998 年搬到硅谷之前，他在澳大利亞墨爾本做了 13 年的終身學(xué)者。他擁有超過(guò) 150 份出版物和 70 項(xiàng)專(zhuān)利，是 Santa Clara 大學(xué)的兼職教授，他在那里教了 18 年的實(shí)時(shí)信號(hào)處理和機(jī)器學(xué)習(xí)課程。 2018 年，他因全雙工無(wú)線(xiàn)通信研究獲得 IEEE 通信學(xué)會(huì)通信進(jìn)步獎(jiǎng)。

Soma Velayutham 是 NVIDIA 電信業(yè)的全球行業(yè)業(yè)務(wù)開(kāi)發(fā)負(fù)責(zé)人，他向電信和 5G 無(wú)線(xiàn)通信宣傳人工智能的采用和加速計(jì)算。他是一位成功的內(nèi)部企業(yè)家和產(chǎn)品領(lǐng)導(dǎo)者，在軟件和高科技行業(yè)擁有 20 多年的經(jīng)驗(yàn)。他在全球?yàn)榇蠊痉趸屯瞥隽硕喾N軟件產(chǎn)品。他還是早期創(chuàng)業(yè)公司和斯坦福孵化計(jì)劃 iFarm 的導(dǎo)師。 Soma 擁有從產(chǎn)品戰(zhàn)略到研發(fā)的完整產(chǎn)品生命周期經(jīng)驗(yàn)。

Yan Huang 目前是 NVIDIA 的系統(tǒng)軟件工程師。他獲得了博士學(xué)位。 2020 年獲得弗吉尼亞理工大學(xué)電子工程學(xué)位，從事 NVIDIA 空中 5G vRAN 系統(tǒng)的研究，并研究機(jī)器學(xué)習(xí)和 GPU 在下一代通信系統(tǒng)中的應(yīng)用。

審核編輯：郭婷