SEM-O-RAN：面向下一代边缘辅助移动系统的语义化灵活 O-RAN 切片
网络与互联网体系结构
2024-07-09 v1
摘要
5G 及更高级蜂窝网络（NextG）将支持资源消耗型边缘辅助深度学习（DL）任务的连续执行。为此，无线接入网（RAN）资源需要被仔细“切片”以满足异构应用需求，同时最小化 RAN 使用。现有切片框架将每个 DL 任务视为平等，并不灵活地定义分配给每个任务的资源，导致次优性能。在本文中，我们提出 SEM-O-RAN，首个面向 NextG 开放无线接入网（Open RAN）的语义化灵活切片框架。我们的核心直觉是，由于目标类的语义特性，不同的 DL 分类器可容忍不同级别的图像压缩。因此，可语义地应用压缩以最小化网络负载。此外，灵活性使 SEM-O-RAN 能够考虑导致相同任务相关性能的多种边缘分配，从而随着更多任务可被分配而显著提升系统级性能。首先，我们数学化地表述语义灵活边缘切片问题（SF-ESP），证明其是 NP-hard 的，并提供近似算法以高效求解。然后，我们通过最先进的多目标检测（YOLOX）和图像分割（BiSeNet V2）的广泛数值分析，以及在 Colosseum 测试床上的真实实验评估 SEM-O-RAN 的性能。我们的结果表明，相对于最先进水平，SEM-O-RAN 将已分配任务数量提高了至多 169%。
引用
@article{arxiv.2212.11853,
title = {SEM-O-RAN: Semantic and Flexible O-RAN Slicing for NextG Edge-Assisted Mobile Systems},
author = {Corrado Puligheddu and Jonathan Ashdown and Carla Fabiana Chiasserini and Francesco Restuccia},
journal= {arXiv preprint arXiv:2212.11853},
year = {2024}
}
备注
Accepted in IEEE INFOCOM 2023