[论文解读] OpenRAN Gym: AI/ML Development, Data Collection, and Testing for O-RAN on PAWR Platforms

Leonardo Bonati, Michele Polese+3 more|arXiv (Cornell University)|Jul 25, 2022

Energy Harvesting in Wireless Networks被引用 4

一句话总结

OpenRAN Gym 是一个开源、符合 O-RAN 标准的实验工具箱，可在 PAWR 平台之上支持下一代移动网络的端到端人工智能/机器学习（AI/ML）开发、数据采集与测试。它集成了 RAN 统计数据采集、轻量级近实时 RIC（RAN Intelligent Controller），以及在 Colosseum、Arena、POWDER 和 COSMOS 等测试平台上的 xApp 部署功能，支持可扩展、可复现的实验，并实现从仿真环境到真实部署的 AI/ML 解决方案无缝迁移。

ABSTRACT

Open Radio Access Network (RAN) architectures will enable interoperability, openness and programmable data-driven control in next generation cellular networks. However, developing and testing efficient solutions that generalize across heterogeneous cellular deployments and scales, and that optimize network performance in such diverse environments is a complex task that is still largely unexplored. In this paper we present OpenRAN Gym, a unified, open, and O-RAN-compliant experimental toolbox for data collection, design, prototyping and testing of end-to-end data-driven control solutions for next generation Open RAN systems. OpenRAN Gym extends and combines into a unique solution several software frameworks for data collection of RAN statistics and RAN control, and a lightweight O-RAN near-real-time RAN Intelligent Controller (RIC) tailored to run on experimental wireless platforms. We first provide an overview of the various architectural components of OpenRAN Gym and describe how it is used to collect data and design, train and test artificial intelligence and machine learning O-RAN-compliant applications (xApps) at scale. We then describe in detail how to test the developed xApps on softwarized RANs and provide an example of two xApps developed with OpenRAN Gym that are used to control a network with 7 base stations and 42 users deployed on the Colosseum testbed. Finally, we show how solutions developed with OpenRAN Gym on Colosseum can be exported to real-world, heterogeneous wireless platforms, such as the Arena testbed and the POWDER and COSMOS platforms of the PAWR program. OpenRAN Gym and its software components are open-source and publicly-available to the research community. By guiding the readers through running experiments with OpenRAN Gym, we aim at providing a key reference for researchers and practitioners working on experimental Open RAN systems.

研究动机与目标

• 解决在异构 Open RAN 环境中缺乏统一、开源且可扩展平台的问题，以支持 AI/ML 驱动的控制方案开发与测试。
• 实现在多个无线测试平台之间，对符合 O-RAN 标准的 xApp 实现从数据采集、模型训练到部署与运行时测试的端到端实验。
• 促进在仿真平台（如 Colosseum）上开发的 AI/ML 解决方案向真实世界、异构测试平台（如 Arena、POWDER 和 COSMOS）的迁移。
• 提供一个标准化的开源框架，支持下一代移动网络中的互操作性、可编程性与数据驱动控制。
• 通过提供完整、文档化且可扩展的工具箱，降低研究人员的入门门槛，提升 O-RAN 实验的可及性。

提出的方法

• 该框架将现有的 RAN 统计数据采集与 RAN 控制软件栈整合为一个统一的、符合 O-RAN 标准的工具箱。
• 它包含一个轻量级、容器化的近实时 RAN 智能控制器（RIC），支持在实验平台上部署和执行 xApps。
• 系统通过标准化的 E2 接口从软件化 RAN 收集数据，支持实时网络监控与遥测。
• 它支持基于模块化、可扩展架构的 AI/ML 基 xApp 的开发、训练与测试，且可跨平台导出。
• 该框架通过标准化的 LXC 镜像与容器化技术，实现从 Colosseum 测试平台到真实世界 PAWR 平台（如 Arena、POWDER、COSMOS）的实验迁移。
• 它提供预构建和可从零构建的 LXC 镜像，用于 RIC 和 E2 终结点，确保在不同测试平台之间的可移植性与可复现性。

实验结果

研究问题

• RQ1 如何设计一个统一的开源平台，以支持在多样化无线测试平台之间，对符合 O-RAN 标准的系统实现端到端的 AI/ML 开发与测试？
• RQ2 从 Colosseum 迁移到真实世界 PAWR 平台（如 Arena、POWDER 和 COSMOS）时，LXC 镜像与容器化 RIC 的传输性能特征与开销如何？
• RQ3 在计算能力各异的不同测试平台基础设施上，容器实例化与 RIC 构建过程的性能表现有何差异？
• RQ4 在真实世界、异构无线测试平台上，能否成功部署并测试在仿真平台开发的 AI/ML xApp？其成功率如何？
• RQ5 在使用标准化开源实验框架的前提下，AI/ML 工作流在 O-RAN 环境中的可扩展性与可复现性如何？

主要发现

• 从 Colosseum 到其他测试平台的 LXC 镜像传输时间在约 1.5 分钟至近 6 分钟之间不等，具体取决于镜像大小与平台性能。
• Arena 上的容器实例化速度显著快于 COSMOS 和 POWDER，SCOPE 镜像实例化时间低于 1 秒，预构建 RIC 镜像低于 1 分钟，这得益于其直接的裸金属访问能力。
• 在 Arena 上从零构建 ColO-RAN RIC Docker 容器耗时显著更长（46 分钟），而 POWDER（21 分钟）和 COSMOS（26 分钟）则更短，原因在于 Arena 使用 6 核 CPU，而其他平台分别使用 24 核与 16 核服务器。
• 预构建的 ColO-RAN LXC 镜像在 POWDER 和 COSMOS 上实现 RIC 实例化时间低于 3 分钟，在 Arena 上低于 2 分钟，表明初始构建完成后部署效率极高。
• 该框架成功实现了在 Colosseum 上对 7 个基站、42 名用户的网络部署并测试了两个 xApp，验证了其在大规模实验中的能力。
• 在 Colosseum 上开发的解决方案成功导出并在 Arena、POWDER 和 COSMOS 测试平台上执行，证实了跨平台兼容性与可移植性。