[論文レビュー] OrchestRAN: Network Automation through Orchestrated Intelligence in the Open RAN

Salvatore D’Oro, Leonardo Bonati+2 more|arXiv (Cornell University)|Jan 14, 2022

Software-Defined Networks and 5G被引用数 4

ひとこと要約

OrchestRAN は、ネットワーク運用業者が高水準の意図を提示するだけで、クラウドおよびエッジノードにわたるデータ駆動型 AI/ML モデルのデプロイを自動化する Open RAN 専用の新規オ케ストレーションフレームワークである。実行タイミング制約を満たし、競合を回避しながら、最適なモデル、実行場所、入力パイプラインを選択する。Colosseum を用いた 7 基 station のテストベッドで実験した結果、E2 インターフェースのオーバーヘッドを最大 2.6× 減少させた。

ABSTRACT

The next generation of cellular networks will be characterized by softwarized, open, and disaggregated architectures exposing analytics and control knobs to enable network intelligence. How to realize this vision, however, is largely an open problem. In this paper, we take a decisive step forward by presenting and prototyping OrchestRAN, a novel orchestration framework that embraces and builds upon the Open RAN paradigm to provide a practical solution to these challenges. OrchestRAN has been designed to execute in the non-real-time RAN Intelligent Controller (RIC) and allows Network Operators (NOs) to specify high-level control/inference objectives (i.e., adapt scheduling, and forecast capacity in near-real-time for a set of base stations in Downtown New York). OrchestRAN automatically computes the optimal set of data-driven algorithms and their execution location to achieve intents specified by the NOs while meeting the desired timing requirements. We show that the problem of orchestrating intelligence in Open RAN is NP-hard, and design low-complexity solutions to support real-world applications. We prototype OrchestRAN and test it at scale on Colosseum. Our experimental results on a network with 7 base stations and 42 users demonstrate that OrchestRAN is able to instantiate data-driven services on demand with minimal control overhead and latency.

研究の動機と目的

• Open RAN システムにおける AI/ML 知能のオーケストレーションという、未解決の課題に取り組むこと。この課題には、多様なタイミング、リソース、制御要件が含まれる。
• ネットワーク運用業者が低レベルのデプロイメント意思決定を一切行わずに、高水準の制御および推論の目的を指定できるようにすること。
• タイミングおよびリソース制約に基づき、最適なネットワーク場所（クラウドまたはエッジ）にモデルを知的に配置することで、制御オーバーヘッドとレイテンシを最小限に抑えること。
• 同じ RAN パrameter を制御する複数のモデルが干渉しないようにすること。
• リアルタイムおよびニアリアルタイムのネットワーク自動化に実用的でスケーラブルかつ O-RAN に準拠したソリューションを提供すること。

提案手法

• OrchestRAN は非リアルタイム RIC 内で動作し、高水準の運用業者の意図を特定のデータ駆動型モデルにマッピングするモデル選択および配置アルゴリズムを用いる。
• オーケストレーション問題を制約付き最適化問題として定式化し、NP 困難であることが示された。その後、リアルタイム実行可能性を確保するための低複雑度ヒューリスティクスを設計した。
• O-RAN のオープン E2 インターフェースを活用して入力を収集し、制御コマンドを送信することで、標準 RAN コンponent との相互運用性を確保する。
• xApps（RIC で実行）と dApps（DUs で実行）の両方をサポートし、AI/ML ワークロードの分散実行を可能にする。
• タイミング要件、リソースの可用性、入力データへのアクセス可能性に基づいて、動的にモデルをインスタンス化および管理する。
• 複数のモデルが同じ RAN パrameter を制御する際に干渉しないよう、競合検出および是正ロジックを備えている。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク運用業者が、低レベルのデプロイメント詳細を管理せずに、Open RAN において高水準の制御および推論の目的をどのように指定できるか？
• RQ2 タイミング、リソース、入力の可用性制約を満たすために、最適なモデル配置（クラウド対エッジ）はどこか？
• RQ3 同じ RAN パrameter を制御する複数の AI/ML モデル間の競合をどのように検出し、解決できるか？
• RQ4 エッジベースのモデル実行が、O-RAN E2 インターフェースにおける制御ループレイテンシとインターフェースオーバーヘッドに与える影響は何か？
• RQ5 実世界の Open RAN デプロイに適した実用的で、低複雑度かつスケーラブルで、競合のない AI/ML サービスのデプロイを実現できるオーケストレーションフレームワークは存在するか？

主な発見

• OrchestRAN は、Colosseum を用いた 7 基 station および 42 台の UE を含むテストベッドにおいて、最小限の制御オーバーヘッドとレイテンシで、オンデマンドでデータ駆動型サービスを正常にインスタンス化した。
• RIC でのみデプロイする場合と比較して、DU（エッジ）にモデルをデプロイした場合、E2 インターフェースのトラフィックを最大 2.6× 減少させた。
• エッジコンピューティングを導入した構成では、約 25% のモデルが DUs にオフロードされ、75% が DU で実行された。これにより、RIC の負荷と E2 シグナリングが軽減された。
• ペイロードデータは E2 トラフィックの約 40% を占めており、残りの 60% が制御および管理のオーバーヘッドである。知的で効率的なオーケストレーションにより、このオーバーヘッドが顕著に削減された。
• OrchestRAN は、同じ DU に xApps と dApps を動的かつシームレスにアクティブ化でき、サービスの中断なしに実行可能であることを示し、リアルタイムでの適応性を実証した。
• ネットワークスライシングのシナリオでは、スライシング制御を統合した M4 は、スライス 0 で最大 10% の高いスループット、スライス 1 で 2 倍の送信パケット数を達成し、M3 よりも優れたパフォーマンスを示した。