de.wedoany.com-Bericht: Das Team des China Mobile Research Institute schlägt eine CIS-RAN-Architektur für 6G vor, die sich durch Kollaboration, Intelligenz und Serviceorientierung auszeichnet. Das Team, bestehend aus Wang Xiaoyun (China Mobile Group) sowie Li Nan, Sun Qi, Wang Yang, Yan Yiwei, Wang Sen, Xu Xiaofei, Li Na und Jin Jing (China Mobile Research Institute), erweitert die Kollaborationsgrenzen auf Basis der 2010 vorgeschlagenen C-RAN-Architektur und führt Mechanismen für eingebettete Intelligenz und offene Fähigkeiten ein. Ziel ist es, die strengen Anforderungen von 6G-Szenarien wie autonomes Fahren, industrielle Automatisierung, digitale Zwillinge und erweiterte Realität an extremen Durchsatz, extrem niedrige Latenz, extrem hohe Zuverlässigkeit und massive Verbindungen zu erfüllen.
Die Studie analysiert zunächst die Anforderungen an das 6G-Funkzugangsnetz und die Einschränkungen bestehender Architekturen. Die darauf basierende CIS-RAN-Architektur umfasst erweiterte RRUs, BBUs und eine neu hinzugefügte zentrale RAN-Intelligenzeinheit und definiert die wichtigsten Funktions- und Schnittstellenänderungen. Die fünf Schlüsseltechnologien umfassen heterogene Datenerfassung, aufgabengetriebene kollaborative Verarbeitung, geschichtete intelligente Verteilung, Dienstsicherung mit extrem niedriger Latenz für KI und einheitliche Offenlegung von RAN-Fähigkeiten. Durch Simulationen und Prototyp-Experimente wird die Wirksamkeit der Architektur aus den Perspektiven AI4RAN und RAN4AI validiert: Im Bereich AI4RAN wird am Beispiel der Uplink-Interferenzvorhersage der Vorteil kollaborativer Intelligenz in Bezug auf Lerneffizienz und Systemdurchsatz demonstriert; im Bereich RAN4AI wird durch einen Prototyp für KI-basierte visuelle Erkennungsdienste in Innen- und Außenbereichen die Leistung bei der Bereitstellung von KI-Diensten mit extrem niedriger Latenz und der Offenlegung von Fähigkeiten validiert.
Zur Validierung der CIS-RAN-Architektur wurden Experimente aus den Dimensionen kollaborative Intelligenz und niedrige Latenz konzipiert, die signifikante Leistungssteigerungen erzielten.
Fallstudie 1 vergleicht den von CIS-RAN aktivierten Mechanismus des zentralen Vortrainings mit lokaler Feinabstimmung (CPLF) mit dem herkömmlichen lokalen Training einzelner BBUs (SLT) in dynamischen Interferenzumgebungen typischer 6G-Szenarien (Radfahren, Fabrik, Büro). Die Ergebnisse zeigen, dass der CPLF-Mechanismus im Vergleich zum szenariospezifischen Neutraining die erforderliche Trainingsdatenmenge auf der BBU-Seite um 36 % bis 50 % und den Zeitaufwand für die Modellaktualisierung um etwa 71 % bis 78 % reduziert. Das CPLF-Schema zeigt in allen Szenarien eine schnellere Fehlerkonvergenz und einen niedrigeren stationären Vorhersagefehler. In Bezug auf den durchschnittlichen Uplink-Durchsatz pro UE verbessern sowohl CPLF als auch SLT die Werte im Vergleich zur Nicht-KI-Baseline um 9 % bis 18 %, wobei CPLF den Trainingsaufwand erheblich reduziert und so Leistung und Effizienz in Einklang bringt.
Fallstudie 2 basiert auf einem Prototypsystem, das KI-basierte visuelle Erkennungsdienste in einer China Mobile-Filiale (Innenbereich) und einem Krabbenteich (Außenbereich) bereitstellt, darunter Personenzählung, Eindringlingserkennung und Identifizierung abnormalen Verhaltens. Im Vergleich zum herkömmlichen Schema der Weiterleitung über UPF an MEC wird die KI-Inferenz in der CIS-RAN-Architektur direkt auf der BBU-Seite durchgeführt. Die durchschnittliche Ende-zu-Ende-Latenz beträgt in Innen- und Außenbereichen weniger als 20 Millisekunden, während sie bei der herkömmlichen Architektur etwa 60 Millisekunden beträgt. Diese Architektur realisiert einen eng gekoppelten Kreislauf von Wahrnehmung, Entscheidung und Aktion und legt damit die Grundlage für Anwendungen, die eine deterministische Latenz erfordern, wie z. B. verkörperte Intelligenz.
