[논문 리뷰] OrchestRAN: Network Automation through Orchestrated Intelligence in the Open RAN

Salvatore D’Oro, Leonardo Bonati외 2명|arXiv (Cornell University)|2022. 01. 14.

Software-Defined Networks and 5G인용 수 4

한 줄 요약

OrchestRAN은 네트워크 운영자가 고수준의 의도를 제시할 수 있도록 설계된 Open RAN를 위한 새로운 조율 프레임워크로, 데이터 기반 AI/ML 모델을 클라우드 및 엣지 노드에 자동으로 배포한다. 시간 제약 조건을 충족시키고 충돌을 방지하면서 최적의 모델, 실행 위치 및 입력 파이프라인을 선택하며, Colosseum를 사용한 7개 기지국 테스트베드에서 실험 결과 E2 인터페이스 오버헤드를 최대 2.6배까지 감소시켰다.

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.

연구 동기 및 목표

• 다양한 시간, 자원, 제어 요구사항을 가진 Open RAN 시스템에서 AI/ML 지능을 조율하는 데 있어 열려 있는 과제를 해결하기 위해.
• 네트워크 운영자가 저수준의 배포 결정 없이도 고수준의 제어 및 추론 목표를 설정할 수 있도록 하기 위해.
• 시간 및 자원 제약 조건을 기반으로 최적의 네트워크 위치(클라우드 또는 엣지)에 모델을 지능적으로 배치하여 제어 오버헤드와 지연을 최소화하기 위해.
• 동일한 RAN 파라미터를 제어하는 공존하는 모델 간의 충돌을 방지하기 위해.
• 실시간 및 근접 실시간 네트워크 자동화를 위한 실용적이고 확장 가능하며 O-RAN 호환성 있는 솔루션을 제공하기 위해.

제안 방법

• OrchestRAN은 비실시간 RIC 내부에서 작동하며, 운영자의 고수준 의도를 특정 데이터 기반 모델로 매핑하기 위한 모델 선택 및 배치 알고리즘을 사용한다.
• 조율 문제를 제약 조건이 있는 최적화 문제로 공식화하였으며, 이는 NP-난이도임을 증명하였고, 실시간 실행 가능성을 확보하기 위해 저복잡도 휴리스틱을 설계하였다.
• O-RAN의 개방형 E2 인터페이스를 활용하여 입력을 수집하고 제어 명령을 전송함으로써 표준 RAN 구성 요소와의 상호운용성을 확보한다.
• xApps(리소스 제어기에서 실행됨)와 dApps(DU에서 실행됨)를 모두 지원하여 AI/ML 워크로드의 분산 실행을 가능하게 한다.
• 시간 요구사항, 자원 가용성 및 입력 데이터 접근성에 기반하여 시스템이 동적으로 모델을 생성하고 관리한다.
• 동일한 RAN 파rameter를 제어하는 여러 모델 간의 갈등을 방지하기 위해 갈등 탐지 및 완화 논리를 포함한다.

실험 결과

연구 질문

• RQ1 네트워크 운영자가 저수준의 배포 세부 사항을 관리하지 않고도 Open RAN에서 고수준의 제어 및 추론 목표를 어떻게 명시할 수 있는가?
• RQ2 시간, 자원, 입력 가용성 제약 조건을 충족시키기 위해 데이터 기반 모델을 클라우드와 엣지 중 어디에 최적으로 배치할 수 있는가?
• RQ3 동일한 RAN 파rameter를 제어하는 여러 AI/ML 모델 간의 갈등은 어떻게 탐지하고 해결할 수 있는가?
• RQ4 엣지 기반 모델 실행이 O-RAN E2 인터페이스의 제어 루프 지연과 인터페이스 오버헤드에 미치는 영향은 무엇인가?
• RQ5 실제 Open RAN 환경에서 AI/ML 서비스의 저복잡도, 확장 가능성, 충돌 없는 배포를 달성할 수 있는 실용적인 조율 프레임워크는 가능한가?

주요 결과

• Colosseum에서 7개 기지국, 42개 사용자 기지국 테스트베드를 사용한 실험에서 OrchestRAN은 제어 오버헤드와 지연을 최소화하면서도 요구 시 데이터 기반 서비스를 즉시 생성하였다.
• RIC에만 모델을 배포하는 것에 비해 DU(엣지)에 모델을 배포할 경우 E2 인터페이스 트래픽을 최대 2.6배까지 감소시켰다.
• 엣지 컴퓨팅이 구현된 환경에서는 약 25%의 모델이 DUs로 오프로드되었으며, 이 중 75%는 DU에서 실행되어 RIC 부하와 E2 신호전송을 감소시켰다.
• E2 트래픽의 약 40%는 페이로드 데이터를 차지하며, 나머지 60%는 제어 및 관리 오버헤드이다. 이는 지능적인 조율을 통해 크게 감소되었다.
• OrchestRAN은 같은 DU에서 xApps와 dApps를 서비스 중단 없이도 유연하게 동적으로 활성화할 수 있게 하여 실시간 적응성을 입증하였다.
• 네트워크 슬라이싱 시나리오에서 M4(슬라이싱 제어 기능 포함)는 M3에 비해 슬라이스 0의 대역폭을 최대 10% 더 높이고, 슬라이스 1의 전송 패킷 수를 2배로 늘려 통합 정책 제어 기능이 우수한 성능을 발휘함을 보였다.