Accelerating vRAN and O-RAN with SIMD: Architectural Perspectives and Performance Evaluation

Diese Arbeit zeigt auf, wie die Nutzung von SIMD-Architekturen zur Beschleunigung zentraler physikalischer Schichtfunktionen in virtualisierten und offenen RANs den Durchsatz sowie die Energieeffizienz auf kommerziellen Standardplattformen signifikant steigert und somit eine skalierbare Lösung für zukünftige 6G-Netzwerke bietet.

Das Wesentliche

Das große Ganze: Vom maßgeschneiderten Rennwagen zur anpassbaren Limousine

Stellen Sie sich das „Radio Access Network“ (RAN) als ein Autobahnsystem vor, das Ihr Telefon mit dem Internet verbindet. Lange Zeit (in der 4G-Ära) wurde diese Autobahn mit maßgeschneiderten, spezialisierten Teilen gebaut (wie FPGAs und ASICs). Betrachten Sie dies als Hochleistungs-Rennwagen, die speziell für eine einzige Rennstrecke gebaut wurden. Sie sind unglaublich schnell und effizend, aber teuer in der Herstellung, schwer aufzurüsten, und wenn Sie die Rennstrecke ändern wollen, müssen Sie einen komple-tten neuen Wagen bauen.

Jetzt bewegen wir uns auf 5G und 6G zu, und die Industrie möchte zu virtualisiertem RAN (vRAN) und Open RAN (O-RAN) übergehen. Dies ist vergleichbar mit dem Wechsel von diesen maßgeschneiderten Rennwagen zu standardmäßigen, fertigen Limousinen (Commercial Off-The-Shelf oder COTS-Servern). Diese Limousinen sind günstiger, leichter zu reparieren, und man kann die Software austauschen, um zu verändern, was das Auto tut.

Das Problem: Standard-Limousinen (Allzweck-CPUs) sind großartig zum Fahren, aber sie sind nicht von Natur aus für den Rennsport gebaut. Wenn man versucht, die schwere, Echtzeit-Mathematik, die für 5G/6G erforderlich ist, auf einer Standard-Limousine auszuführen, hat sie oft Schwierigkeiten, mit den Geschwindigkeitsbegrenzungen Schritt zu halten.

Die Lösung: SIMD (Der „Super-Werkzeugkasten“)

Das Paper schlägt ein spezielles Werkzeug vor, um diese Standard-Limousinen renntauglich zu machen: SIMD (Single Instruction, Multiple Data).

Die Analogie:
Stellen Sie sich vor, Sie sind ein Koch, der ein Abendessen für eine große Familie zubereitet.

• Ohne SIMD (Skalare Verarbeitung): Sie schneiden eine Karotte, dann legen sie sie in den Topf. Dann schneiden Sie die nächste Karotte, legen sie in den Topf. Sie machen das nacheinander. Es erledigt die Aufgabe, aber es ist langsam.
• Mit SIMD: Sie haben ein spezielles Messer, mit dem Sie vier Karotten gleichzeitig mit einer einzigen Bewegung schneiden können. Sie schneiden sie nicht nacheinander; Sie schneiden eine ganze Charge auf einmal.

In Computerbegriffen verarbeitet eine Standard-CPU Daten Stück für Stück. SIMD ermöglicht es der CPU, eine ganze „Charge“ von Daten (wie vier oder acht Zahlen) zu greifen und dieselbe mathematische Operation auf alle gleichzeitig auszuführen.

Was wurde getestet? (Das MIMO-Rennen)

Die Autoren konzentrierten sich auf eine spezifische, sehr rechenintensive mathematische Aufgabe namens MIMO-Detektion.

• Die Aufgabe: In modernen Netzwerken nutzen Funkmasten mehrere Antennen, um viele Signale gleichzeitig zu senden und zu empfangen. Der Computer muss diese Signale entwirren, um herauszufinden, was tatsächlich gesendet wurde. Dies beinhaltet massive Mengen an Matrix-Mathematik (das Multiplizieren und Dividieren von Zahlenrastern).
• Das Experiment: Sie bauten eine Simulation eines 5G-Netzwerks, das auf einem Standard-Computerserver läuft. Sie verglichen zwei Versionen:
  1. Der alte Weg: Die Mathematik Zahl für Zahl zu verarbeiten.
  2. Der SIMD-Weg: Die Verwendung des „Super-Messers“, um Zahlenchargen zu verarbeiten.

Die Ergebnisse: Schneller und Grüner

Das Paper fand heraus, dass die Verwendung von SIMD ein Gamechanger war:

1. Geschwindigkeit: Die SIMD-Version war etwa 50 % schneller als die Standardversion. In einigen Fällen wurde die Zeit, die für die Verarbeitung eines Signals benötigt wurde, halbiert.
2. Genauigkeit: Sie verwendeten „Single Precision“-Mathematik (weniger detaillierte Zahlen), um es noch schneller zu machen. Sie fanden heraus, dass die Ergebnisse fast identisch mit der „Double Precision“-Mathematik (hochdetaillierte Zahlen) waren, was bedeutet, dass sie schneller werden konnten, ohne die Signalqualität zu verlieren.
3. Energie: Da der Computer die Aufgabe viel schneller erledigte, musste er nicht so lange laufen. Dies sparte eine beträchtliche Menge an Energie (in einigen Benchmarks über 50 %), was das System „grüner“ macht.

Warum nicht einfach GPUs oder Spezialchips verwenden?

Sie fragen vielleicht: „Warum nicht eine Grafikkarte (GPU) oder einen Spezialchip (FPGA) verwenden?“ Das Paper vergleicht die Optionen:

• GPUs: Wie eine riesige Armee von Arbeitern. Sie sind großartig für riesige, repetitive Aufgaben, können aber schwer einzurichten sein, viel Strom verbrauchen und manchmal Verzögerungen (Latenzen) verursachen, die für Echtzeit-Funksignale zu langsam sind.
• FPGAs: Wie ein maßgeschneiderter Roboter. Sie sind superschnell und effizient, aber sehr aufwendig zu programmieren und schwer zu ändern, sobald sie gebaut sind.
• SIMD auf CPUs: Dies ist die „Goldlöckchen-Lösung“. Sie nutzt den Computer, den Sie bereits haben (die Limousine), erfordert keine spezielle Hardware, ist einfach zu programmieren und schnell genug, um die strengen Zeitvorgaben von 5G/6G einzuhalten.

Die Zukunft: Was das für 6G bedeutet

Das Paper kommt zu dem Schluss, dass SIMD eine Schlüsseltechnologie für die Zukunft der drahtlosen Netzwerke (6G) ist.

• Distributed MIMO: Stellen Sie sich viele kleine Funkgeräte vor, die wie ein Team zusammenarbeiten. SIMD hilft ihnen, sich schnell zu koordinieren.
• Grüne Netzwerke: Indem wir die Software effizienter machen, verbrauchen wir weniger Elektrizität, was der Umwelt hilft.
• KI-Integration: Da SIMD auf Standardsoftware läuft, ist es einfacher, zukünftige KI-Tools zu integrieren, die das Netzwerk steuern.

Zusammenfassend:
Das Paper argumentet, dass wir keine teure, maßgeschneiderte Hardware kaufen müssen, um 5G und 6G schnell zu machen. Stattdessen können wir unsere Standard-Computerserver einfach lehren, eine eingebaute Funktion namens SIMD zu nutzen. Dies verwandelt eine Standard-„Limousine“ in ein „Rennauto“, indem es die Daten in Chargen verarbeitet, wodurch das Netzwerk schneller, günstiger und energieeffizienter wird.

Technische Zusammenfassung

Technische Zusammenfassung: Beschleunigung von vRAN und O-RAN mittels SIMD

Problemstellung
Die Evolution der Radio Access Networks (RAN) hin zu virtualisierten RAN- (vRAN) und Open-RAN-Architekturen (O-RAN) hat die Basisbandverarbeitung von dedizierter Hardware (FPGAs, ASICs) hin zu Software auf kommerziellen Standard-Servern (COTS) verschoben. Während dieser Wandel Flexibilität und Kostenvorteile bietet, führt er eine kritische Herausforderung ein: die Erzielung einer echtzeitfähigen, energieeffizienten physikalischen Schicht-Verarbeitung (PHY-Verarbeitung) auf Allzweckprozessoren (GPPs). Traditionelle CPU-only-Implementierungen haben oft Schwierigkeiten, die strengen Latenz- und Durchsatzanforderungen moderner PHY-Funktionen, wie etwa der MIMO-Detektion (Multiple-Input Multiple-Output), ohne den Einsatz externer Beschleuniger wie GPUs oder FPGAs zu erfüllen, die Komplexität bei der Integration, Leistungsoverhead und Vendor Lock-in mit sich bringen.

Methodik
Die Autoren schlagen vor, SIMD-Architekturen (Single Instruction Multiple Data) – ein Standardmerkmal moderner x86-64-CPUs – zur Beschleunigung von RAN-Workloads zu nutzen. Die Methodik umfasst:

1. Algorithmische Ausrichtung: Identifizierung der Tatsache, dass Schlüsselkomponenten der PHY-Schicht, insbesondere die MIMO-Detektion, eine hohe Datenparallelität aufweisen, die für eine SIMD-Vektorisierung geeignet ist.
2. Implementierung: Entwicklung eines SIMD-beschleunigten LMMSE-MIMO-Detektors (Linear Minimum Mean Square Error). Die Implementierung nutzt Fused-Multiply-Add-Operationen (FMA) und vektorisierte Arithmetik (z. B. Intel AVX2-Intrinsics), um mehrere komplexe Zahlen parallel in 256-Bit-Registern zu verarbeiten.
3. Simulationsumgebung: Ein C++-basierter Link-Level-Simulator wurde mit 3GPP New Radio (NR)-Parametern konfiguriert, einschließlich LDPC-Codierung, 15 kHz Subcarrier Spacing und TDL-C-Kanalmodellen.
4. Evaluierung: Das System wurde auf einer Intel Core i9-14900KF CPU getestet. Die Leistung wurde über verschiedene MIMO-Konfigurationen (2×2, 4×4, 8×8) unter Vergleich der skalaren CPU-Ausführung mit der SIMD-optimierten Ausführung (unter Verwendung sowohl von Packed-Single- als auch Packed-Double-Precision) bewertet.

Zentrale Beiträge

• Architekturanalyse: Die Arbeit skizziert den Übergang von traditionellen RAN zu vRAN/O-RAN und betont die Notwendigkeit einer softwarezentrierten Beschleunigung auf GPPs, um die Anforderungen von 5G und zukünftigem 6G zu erfüllen.
• Design-Leitlinien: Sie liefert praktische Leitlinien für die Integration von SIMD in PHY-Pipelines, wobei insbesondere auf Speicherabrichtung (Memory Alignment), Loop Unrolling und die Kompromisse zwischen numerischer Präzision (Single vs. Double) und Durchsatz eingeggangen wird.
• Prototyp-Demonstration: Die Autoren demonstrieren ein vollständig softwaredefiniertes MIMO-Detektionsmodul, das vollständig auf einer CPU ohne externe Beschleuniger arbeitet. Dies beweist die Machbarkeit, rechenintensive Aufgaben wie Matrixinversion und Signalerkennung innerhalb der strengen Übertragungszeitintervall-Beschränkungen (TTI) zu bewältigen.

Ergebnisse

• Durchsatzverbesserung: Die SIMD-optimierte Implementierung erreichte eine etwa 50 %ige Verbesserung des Durchsatzes im Vergleich zur herkömmlichen skalaren CPU-only-Verarbeitung.
• Latenzreduktion: In einer 2×2-MIMO-Konfiguration wurde die Verarbeitungszeit von ca. 3,3 µs auf weniger als 1,5 µs reduziert. Für 4×4-MIMO machte die Verarbeitungszeit nur etwa 3 % der 1-ms-TTI-Deadline aus, was einen signifikanten Spielraum für andere Basisbandoperationen lässt.
• Energieeffizienz: Die Studie berichtet von einer mehr als zweifachen Verbesserung der Energieeffizienz. Obwohl die momentane Leistungsaufnahme leicht höher sein kann, führt die signifikante Reduktion der Ausführungszeit (2–2,3-fache Beschleunigung) zu einer Gesamtenergieeinsparung von fast 50 %.
• Genauigkeit: Experimente bestätigten, dass die Verwendung von Single-Precision (32-Bit) Gleitkomma-Arithmetik via SIMD eine Detektionsgenauigkeit erreicht, die nahezu identisch mit Double-Precision (64-Bit) Methoden ist. Dies validiert die Verwendung geringerer Präzision für höheren Durchsatz, ohne die Blockfehlerrate (BLER) zu beeinträchtigen.

Bedeutung und Ansprüche
Das Paper positioniert SIMD nicht bloß als Optimierungstechnik, sondern als grundlegenden Enabler für flexible, effiziente und nachhaltige 6G-bereite RANs. Die Autoren behaupten, dass SIMD eine ausgewogene Lösung bietet, die Folgendes kombiniert:

• Programmierbarkeit und einfache Integration: Im Gegensatz zu FPGAs oder GPUs nutzt SIMD Standard C/C++-Umgebungen und bestehende Compiler-Toolchains, wodurch proprietäre Hardwareabhängigkeiten vermieden werden.
• Deterministische Leistung: Durch die direkte Ausführung auf CPU-Kernen minimiert SIMD den PCIe-Datentransfer-Overhead und bietet die niedrige Latenz sowie die deterministische Ausführung, die für die Echtzeit-PHY-Verarbeitung erforderlich sind.
• Skalierbarkeit: Der Ansatz skaliert mit dem Fortschritt der CPUs (z. B. AVX-512) und unterstützt zukünftige 6G-Bereitstellungen mit Massive MIMO und breiteren Bandbreiten, ohne neue Prozessordesigns zu erfordern.

Die Autoren kommen zu dem Schluss, dass die SIMD-basierte Beschleunigung besonders wichtig für Indoor-vRAN- und Small-Cell-Bereitstellungen ist, bei denen Kosten, Leistung und Formfaktor-Beschränkungen externe Beschleuniger weniger attraktiv machen. Sie behaupten, dass dieser softwarenative Ansatz es Betreibern ermöglicht, Echtzeitbeschränkungen und Energieziele einzuhalten und gleichzeitig die Agilität softwaredefinierter Netzwerke zu wahren.