[论文解读] System Intelligence for UAV-Based Mission Critical with Challenging 5G/B5G Connectivity

Cristiano Bonato Both, Joao Gustavo Gazolla Borges+5 more|arXiv (Cornell University)|Feb 3, 2021

UAV Applications and Optimization参考文献 18被引用 7

一句话总结

本文提出了一种系统智能（SI）架构，通过集成人工智能/机器学习（AI/ML），在关键任务场景中将无人机（UAV）作为主动的网络与计算实体，实现对5G/后5G（B5G）网络的协同管理。通过实现智能资源切片、UAV与边缘/云之间神经网络的卸载，以及符合标准的编排，SI将延迟降低了高达29.87%，并提升了在灾难响应等复杂环境下的服务质量（QoS）。

ABSTRACT

Unmanned aerial vehicles (UAVs) and communication systems are fundamental elements in Mission Critical services, such as search and rescue. In this article, we introduce an architecture for managing and orchestrating 5G and beyond networks that operate over a heterogeneous infrastructure with UAVs' aid. UAVs are used for collecting and processing data, as well as improving communications. The proposed System Intelligence (SI) architecture was designed to comply with recent standardization works, especially the ETSI Experiential Networked Intelligence specifications. Another contribution of this article is an evaluation using a testbed based on a virtualized non-standalone 5G core and a 4G Radio Access Network (RAN) implemented with open-source software. The experimental results indicate, for instance, that SI can substantially improve the latency of UAV-based services by splitting deep neural networks between UAV and edge or cloud equipment. Other experiments explore the slicing of RAN resources and efficient placement of virtual network functions to assess the benefits of incorporating intelligence in UAV-based mission-critical services.

研究动机与目标

• 解决当前5G/B5G与无人机（UAV）系统在关键任务（MC）场景中的局限性，其中人为干预和僵化的基础设施限制了性能表现。
• 通过引入统一的系统智能（SI）架构，弥合异构网络中人工智能/机器学习（AI/ML）集成的差距，将无人机不仅视为用户，更视为活跃的网络与计算组件。
• 在基础设施受损或缺失的灾难场景（如搜救SAR）中，实现无人机通信与计算的自主、低延迟与高可靠性。
• 通过使用虚拟化非独立（non-standalone）5G核心与4G无线接入网（RAN）的试验平台，验证AI/ML驱动编排的可行性与优势，并与ETSI ENI标准保持一致。
• 通过在5G核心网（5GC）、无线接入网（RAN）与多接入边缘计算（MEC）组件中推广AI/ML意识，为未来6G与智能网络化系统奠定基础。

提出的方法

• 设计符合ETSI体验式网络智能（ENI）规范的系统智能（SI）架构，统一管理5GC、RAN与MEC中的AI/ML控制。
• 使用开源软件实现虚拟化非独立5G核心与4G RAN的试验平台，以模拟真实世界的关键任务条件。
• 应用深度强化学习（DRL）与网络切片等AI/ML技术，动态分配资源并优化无人机辅助网络中的服务质量（QoS）。
• 通过在无人机与边缘/云服务器之间拆分深度神经网络（DNN），实现神经网络推理的卸载，从而降低端到端延迟。
• 采用ITU-T Y.3172 ML流水线概念，增强MEC与5GC中的AI/ML意识，实现自适应、自优化的网络行为。
• 通过受控实验评估系统性能，重点关注延迟降低、资源切片效率与UAV到边缘协作的表现。

实验结果

研究问题

• RQ1 如何在异构5G/B5G网络组件（包括无人机、RAN、MEC与5GC）之间有效编排AI/ML，以提升关键任务服务的性能？
• RQ2 在基于无人机的关键任务服务中，通过在无人机与边缘/云基础设施之间智能卸载深度神经网络，能将端到端延迟降低多少？
• RQ3 对RAN资源进行网络切片在无人机辅助的关键任务场景中，对延迟与可靠性有何影响？
• RQ4 在基础设施受损的挑战性条件下，系统智能（SI）在基于无人机的通信与计算系统中带来了哪些性能提升？
• RQ5 如何系统性地增强5G核心网与边缘计算功能中的AI/ML意识，以支持自主、低延迟的关键任务操作？

主要发现

• 通过在无人机与边缘/云计算资源之间智能卸载深度神经网络推理，SI将端到端延迟降低了29.87%。
• 对RAN资源进行网络切片后，平均延迟从66 ms降低至34 ms，显著提升了关键任务应用的实时响应能力。
• 试验平台表明，AI/ML驱动的编排使无人机能够作为主动的网络与计算节点运行，在基础设施受损环境中显著增强了连通性与服务可靠性。
• ETSI ENI兼容的SI架构集成实现了跨层智能，提升了5GC、RAN与MEC之间的协调能力，从而在动态场景中实现最优服务质量（QoS）。
• 结果验证了无人机作为自主、智能网络延伸在关键任务场景中的可行性，尤其在传统基础设施不可用的灾难响应场景中表现突出。
• 本研究识别出MEC与5GC必须实现AI/ML意识演进的迫切需求，而ITU-T Y.3172 ML流水线概念正成为一个支持未来系统智能的有前景框架。