AI-RAN: Nvidia Areial RAN - cuRAN (5)

在這一系列文章中, 我們跟隨著教學文件"安裝"了 cuRAN 的環境,
列出了一些需要注意的事項, 也介紹了 cuRAN 的架構,
雖然, 這畢竟不是真的安裝, 可以預期真實安裝應該會遇到更多問題,
尤其在版本相依的障礙下, Nvidia 並沒有花太多時間測試相容性問題,
或許, 最快的方法就是買一套 Supermicro GH200 + BF3 的設備,
按照官方步驟進行系統建立.

因此, 在最後一篇 cuRAN 的文章中, 
我們先回顧一下 cuRAN 的架構, 如下圖所示 (Open Air Interface):


在上圖 OAI 的實作中, 使用的是標準的 cuRAN 架構,
可以提供 4T4R 的 O-RU 與 4T4R 的使用者裝置對接,
考慮到 cuRAN 中的 cuMAC 和 cuPHY 源自於原有 OAI 的實作,
在 OAI 與 Nvidia 的合作中, 著重在系統的串接,
提供了 O-CU, 部分 O-DU 以及 Core Network 的 OAI 解決方案.

透過 cuRAN 的 E2E 測試可以達成怎樣的效能呢?
Nvidia 也對其效能測試建立了如下的效能指標 (ARC-OTA 1.5):
  • MIMO layers
    • DL: 2 layers -> 4 layers
  • Peak throughput
    • SMC-GH (新架構)
      • DL: ~1.03 Gbps
      • UL: ~125 Mbps
    • Dell R750 / Gigabyte Edge E251-U70
      • DL: ~800 Mbps
說實話, 上述的效能指標, 
大概就是一般的 O-CU/O-DU 連上 O-RU 的效能,
甚至還更低一些 (通常 DL E2E 測試應可到達 1.7 Gbps),
在此看來, AI-RAN 無法將這些高階 GPU 的計算效能, 轉換成通訊效能,
這一部分是由於當前的技術限制 (OAI 原有的限制),
另一方面, 單基站 E2E 的測試原本即非 Nvidia 計算框架的強項.

在 Nvidia 的設想中, AI-RAN 應該利用其平行計算能力,
透過 Cloud-RAN 或是 Edge-RAN 的框架, 一次協同多個 O-RU 通訊, 
此時, 可以將 cuRAN 集中至高階 GPU 進行計算,
並透過偕同機制, 取得合作式通訊 (MIMO, 排程) 在通訊上的增益.
而這些成果, 也顯示在對應的 DEMO 與合作中, 列點如下:
  • ETH Zurich: 以 MIMO 系統與對應的通道響應進行解碼與使用者定位
  • Northeastern University: MIMO 架構下的通道估測, 干擾管理, 以及移動性管理
  • Rice University: 使用 AI 進行協同式 MIMO 最佳化
有興趣看更多 cuRAN 的應用可以參考:
https://docs.nvidia.com/aerial/aerial-ran-colab-ota/current/text/developer_use_cases/index.html

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