AI-RAN: Nvidia Areial RAN - AODT (3)
在這篇文章中, 我們介紹一下 AODT 可以取得那些模擬參數,
考慮到在 AODT 框架下, 計算 (backend) 與顯示 (frontend) 是分離的,
中間資料交換部分, 則是透過 ClickHouse Database 進行,
因此, 所有可以透過 AODT 介面顯示 (frontend) 的模擬資訊,
都可以透過 ClickHouse 的資料庫讀取來取得.
關於 ClickHouse 資料庫內部的欄位可以參考 AODT 的官方文件:
其中, 我們先大致整理一下表格內容, 並分類資訊類別:
- AODT 系統模擬參數: db_info, time_info
- 環境參數: scenario, materials
- 通道模擬結果: raypaths, cirs, cfrs
- RAN 設定: panels, patterns, rus, dus
- 使用者與移動性: ues,
- RAN Simulation: telemetry,
- ML Training 結果: training_result
其中, 多數的內容應該直接查看網頁中的定義就可以理解,
因此, 我們就專注在 raypaths 與 telemetry 這兩個跟模擬結果直接相關的部分,
針對 raypaths 部分, 資料庫列出了每一條互動路徑的數值,
ru_id, ue_id 代表了傳輸路徑的兩端, points 則代表了中間產生互動 (interaction) 的位置,
互動分成 5 類: 發送 (emission), 反射 (reflection), diffraction (繞射), diffuse (散射), reception (接收),
透過記錄下每一次互動的時間, 位置, 以及對應的訊號強度變化,
便可以完整表示出電磁波在環境中的互動狀況.
因此, 能夠應用的範圍仍侷限在室外的場域中,
另外, 這些路徑的接收強度疊加就會表示為 CIR (cirs) 與 CFR (cfrs).
在 AODT 中並沒有計算 RSRP 的數值, 可能須自行累計.
telemetry 表格則記錄了 RAN Simulation 相關的結果,
包含了 PHY 層中 PRB 的使用 (startPrb, nPrb), MCS mode 設定, MIMO 設定 (layers),
也包含了章中, 我們介紹一下 AODT 可以取得那些模擬參數,
考慮到在 AODT 框架下, 計算 (backend) 與顯示 (frontend) 是分離的,
中間資料交換部分, 則是透過 ClickHouse Database 進行,
因此, 所有可以透過 AODT 介面顯示 (frontend) 的模擬資訊,
都可以透過 ClickHouse 的資料庫讀取來取得.
關於 ClickHouse 資料庫內部的欄位可以參考 AODT 的官方文件:
https://docs.nvidia.com/aerial/aerial-dt/text/additional_info.html#database-tables
其中, 我們先大致整理一下表格內容, 並分類資訊類別:
AODT 系統模擬參數: db_info, time_info
環境參數: scenario, materials
通道模擬結果: raypaths, cirs, cfrs
RAN 設定: panels, patterns, rus, dus
使用者與移動性: ues,
RAN Simulation: telemetry,
ML Training 結果: training_result
其中, 多數的內容應該直接查看網頁中的定義就可以理解,
因此, 我們就專注在 raypaths 與 telemetry 這兩個跟模擬結果直接相關的部分,
針對 raypaths 部分, 資料庫列出了每一條互動路徑的數值,
ru_id, ue_id 代表了傳輸路徑的兩端, points 則代表了中間產生互動 (interaction) 的位置,
互動分成 5 類: 發送 (emission), 反射 (reflection), diffraction (繞射), diffuse (散射), reception (接收),
透過記錄下每一次互動的時間, 位置, 以及對應的訊號強度變化,
就可以完整表示出電磁波在環境中的互動狀況.
值得注意的是, 目前 AODT 並沒有模擬電磁波的穿透效應 (折射, 衰減),
因此, 能夠應用的範圍仍侷限在室外的場域中,
另外, 這些路徑的接收強度疊加就會表示為 CIR (cirs) 與 CFR (cfrs).
在 AODT 中並沒有計算 RSRP 的數值, 可能須自行累計.
telemetry 表格則記錄了 RAN Simulation 相關的結果,
包含了 PHY 層中 PRB 的使用 (startPrb, nPrb), MCS mode 設定, MIMO 設定 (layers),
也包含了 MAC 層中的對應參數, 例如: Transport Block (tbs, outcome),
因此, 其所統計的網速 (throughput) 並非只是簡單 SINR 的對應,
而是包含了 PHY 層通道效應, 以及 MAC 層資源分配的結果.
這樣的結果, 可以讓我們更好的評估通訊網路中的網速效應, 而不致過於理想化,
此外, 這些大量的模擬中間資料, 也有助於未來 AI RAN 演算法開發.
留言
張貼留言