ARCHES：面向 RAN 的自适应实时 AI 模型切换
网络与互联网体系结构
2026-04-28 v1
摘要
人工智能 (AI) 已成为无线接入网络 (RAN) 信号处理和优化的强大工具。然而，设计一种能够跨越所有无线环境的单一模型具有挑战性。专用 AI 模型仅在特定条件下优于传统算法，而其更高的计算和能耗成本使得在基站上无条件执行不可行。这导致了一种需要实时专家切换的需求：基于当前网络条件动态激活最合适的 AI 或传统专家。为此，我们提出了 ARCHES (Adaptive Real-time CUDA Hot-swapping of Experts in the RAN Stack)，一个在 GPU 加速的 PHY 管道中托管多个 AI-based 和传统信号处理专家的框架，能够在不丢弃或损坏飞行数据的情况下，以时隙边界粒度动态选择最合适的专家。ARCHES 包括用于零间隙输出选择的轻量级 CUDA switch kernel、基于 dApp 的控制平面，用于收集跨层遥测数据并驱动切换策略，以及一种基于受控扰动、单调性过滤和层次聚类的可重用策略设计流程。我们在上行信道估计任务上验证了 ARCHES，在变化的传输条件和干扰条件下，在 AI-based 和最小均方误差 (MMSE) 估计器之间进行切换。在 X5G 平台上实现，ARCHES 在良好和差好条件下分别实现了约 5.32% 和 7.23% 的上行 PHY 吞吐量提升，控制回路延迟约为 140 us，决策推理亚微秒。良好条件下，使用 MMSE 可比无条件 AI 执行节省 15.8 W GPU 功耗（9.6%）和 17 个百分点 GPU 利用率，验证了驱动自适应专家选择的性能-功耗权衡。
引用
@article{arxiv.2604.23397,
title = {ARCHES: Adaptive Real-Time Switching of AI Models for the RAN},
author = {Neagin Neasamoni Santhi and Davide Villa and Michele Polese and Salvatore D'Oro and Yunseong Lee and Koichiro Furueda and Tommaso Melodia},
journal= {arXiv preprint arXiv:2604.23397},
year = {2026}
}
备注
10 pages, 11 figures, 1 table