AI-RAN: Nvidia Areial RAN - AODT (2)

在一開始的介紹中, 我們貼了一張 AODT 的架構圖,
可以清楚地分成三個部分:
  1. 使用者介面: 進行模擬情境的定義
  2. 通道模擬器: EM solver 以光跡追蹤模型模擬 CIR 和 CFR
  3. RAN 模擬器: cuMAC 和 cuPHY 進行網速模擬
這樣的架構, 清楚的切分出 AI-RAN 模擬的挑戰, 以及所需要的計算套件.
不幸的是, 在系統實作上, 有更多其他的限制需要考慮,
有些時候, 還必須受限於既有系統的框架.


上圖是實際 AODT 的實作框架,
原本 3 分的計算架構, 改成 2 分式, 對應於前台 (front-end) 與後台 (back-end),
中間資料交換的部分, 透過 Nvidia 的 Nucleus Server 以及對應的 Neculeus Connector,
以 Server-Client 的架構進行實作, 也或許因此改成二階段框架, 減少中間資料交換,
中間資料交換的部分是以 ClickHouse 進行實作, 提供 SQL-like 的資料存取.

在介紹完資料交換的元件之後, 接著我們透過 AODT 執行流程來說明各元件功能:
  1. Scene Important 根據 CityGML* 格式的檔案, 產生對應的 3D USD* 模型
  2. AODT front-end 進行模擬的設定, 可以分成三種模式:
    (a) Channel Simulation, (b) Channel + RAN Simulation, (3) Channel Simulation + ML training
  3. 將計算設定透過 Nucleus Server 傳送給後端, 進行計算
  4. 後端將計算完後的結果, 傳到 ClickHouse 儲存
  5. 前端的 AODT 介面撥放後端計算完的結果
Note 1: CityGML 為針對城市定義的 3D 模型 (https://www.citygmlwiki.org/index.php)
Note 2: USD 為一種開放的 3D 場景 (Scene) 描述語言, 為 Nvidia 所採用,
(https://www.nvidia.com/zh-tw/omniverse/usd/

在目前 AODT 的實作中,  目前主要針對室外 (城市) 的場景,
在通道模擬的部分, 也只模擬了反射, 散射, 以及繞射的效應,
同時, 在用以計算 USD 的產生上, 目前也只支援透過 CityGML 的方式轉檔,
無法直接使用 USD Composer 之類的套件, 直接進行編輯.
最後, 在功能的整合上, 雖然有三大功能: Channel Simulation, RAN Simulation, 與 ML training,
但卻仍無法完整整合, 一起進行 AODT 原本目標的網路層級 AI 訓練:
(RAN Simulation 的時間過短, 以 slot 為單位, 無法展示移動性效果,
同時, RAN Simulation, 與 ML training 無法同時啟用)

目前種種限制, 顯示 AODT 當前仍只是一個示範,
展示了透過數位雙生, 針對電信網路進行系統模擬的可能,
但仍有一段不短的路程, 走向真正的可以實際應用的開發環境,
期待在 Nvidia 的投入下, 這對路程不會走得太久.

留言

熱門文章

LTE筆記: RSRP, RSSI and RSRQ

[WiFi] WiFi 網路的識別: BSS, ESS, SSID, ESSID, BSSID

LTE筆記: 5G NR Measurement Events