[论文解读] 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 4

一句话总结

OrchestRAN 是一种新颖的 Open RAN 协调框架，可基于网络运营商的高层意图，自动在云和边缘节点之间编排数据驱动的 AI/ML 模型。它在满足时序约束并避免冲突的前提下，选择最优模型、执行位置和输入流水线，实验表明在使用 Colosseum 的 7 个基站测试平台中，将 E2 接口开销降低了最多 2.6 倍。

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.

研究动机与目标

• 为解决 Open RAN 系统中 AI/ML 智能化编排的开放挑战，该系统需满足多样化的时序、资源和控制需求。
• 使网络运营商能够指定高层控制与推理目标，而无需处理底层部署决策。
• 通过基于时序和资源约束智能选择最优网络位置（云或边缘）部署模型，最小化控制开销和延迟。
• 防止多个位于同一位置的模型在控制相同 RAN 参数时发生冲突。
• 提供一种实用、可扩展且符合 O-RAN 标准的解决方案，用于实时和近实时的网络自动化。

提出的方法

• OrchestRAN 在非实时 RIC 内运行，并使用模型选择与部署算法，将运营商的高层意图映射到具体的数据驱动模型。
• 将协调问题建模为约束优化任务，已证明其为 NP-难问题，并设计了低复杂度启发式算法以确保实时可行性。
• 该框架利用 O-RAN 开放的 E2 接口收集输入并发送控制命令，确保与标准 RAN 组件的互操作性。
• 支持 xApps（在 RIC 上执行）和 dApps（在 DUs 上执行），实现 AI/ML 工作负载的分布式执行。
• 系统根据时序要求、资源可用性和输入数据可访问性，动态实例化和管理模型。
• 包含冲突检测与缓解逻辑，确保多个模型在控制共享 RAN 参数时不会相互干扰。

实验结果

研究问题

• RQ1 网络运营商如何在不管理底层部署细节的情况下，指定 Open RAN 中的高层控制与推理目标？
• RQ2 在满足时序、资源和输入可用性约束的前提下，数据驱动模型（云与边缘之间）的最优部署位置是什么？
• RQ3 如何检测并解决多个 AI/ML 模型控制相同 RAN 参数时产生的冲突？
• RQ4 基于边缘的模型执行对 O-RAN E2 接口控制环路延迟和接口开销有何影响？
• RQ5 一种实用的协调框架能否在真实 Open RAN 部署中实现低复杂度、可扩展且无冲突的 AI/ML 服务部署？

主要发现

• 在 Colosseum 上的 7 个基站、42 个用户设备测试平台中，OrchestRAN 能够按需成功实例化数据驱动服务，控制开销和延迟极低。
• 与仅在 RIC 上部署相比，在 DU（边缘）部署模型时，E2 接口流量最高可降低 2.6 倍。
• 在具备边缘计算的配置中，约 25% 的模型被卸载到 DUs，而 75% 的模型在 DU 上执行，从而减轻了 RIC 负载和 E2 信令。
• 负载数据约占 E2 流量的 40%，其余 60% 为控制和管理开销，通过智能协调显著减少。
• OrchestRAN 实现了在相同 DU 上无缝动态激活 xApps 和 dApps 而不中断服务，展示了实时适应能力。
• 在网络切片场景中，M4（具备切片控制）相比 M3，使切片 0 的吞吐量最高提升 10%，切片 1 的传输分组数提升 2 倍，表明集成策略控制具有更优性能。