NeuralEmu: in situ Measurement-Driven, ML-based, High-Fidelity 5G Network Emulation

1. Declaração do Problema

A avaliação de algoritmos de rede de próxima geração (por exemplo, controle de congestionamento, streaming de taxa de bits adaptativa) em ambientes 5G é atualmente dificultada por uma "lacuna de realidade" entre as ferramentas de emulação existentes e as redes comerciais ao vivo.

• Limitações de Gravação e Replay (por exemplo, Mahimahi, CellReplay): Essas ferramentas capturam um rastro estático do comportamento da rede sob uma carga de trabalho específica, muitas vezes agressiva (saturador). Elas falham em capturar o feedback de malha fechada entre a aplicação e o agendador da estação base 5G. Na realidade, o agendador aloca recursos dinamicamente com base na ocupação do buffer em tempo real e nas condições do canal. Ferramentas de gravação e replay rompem essa causalidade, levando a avaliações imprecisas onde as aplicações se comportam de maneira diferente do que fariam em uma rede ao vivo (por exemplo, superestimando a largura de banda disponível).
• Limitações de Simuladores de Pilha Completa (por exemplo, ns-3, srsRAN): Esses sistemas modelam toda a pilha de protocolos, mas dependem de lógica de agendamento simplificada e de código aberto (por exemplo, round-robin, proporcionalmente justo) que não consegue replicar os algoritmos de agendamento complexos, proprietários e específicos do fornecedor usados em estações base 5G comerciais. Eles também sofrem com alta sobrecarga computacional.

Desafio Central: O agendador 5G é uma "caixa preta" que mapeia estados instantâneos do usuário (ocupação do buffer, Indicador de Qualidade do Canal - CQI) para alocações de recursos (PRBs, MCS) em tempo real. Replicar esse comportamento sem acesso ao código do agendador proprietário ou aos estados internos ocultos de usuários de fundo é o principal obstáculo.

2. Metodologia: Framework NeuralEmu

O NeuralEmu propõe uma abordagem de gêmeo digital acionado pelo agendador. Em vez de simular toda a pilha ou reproduzir rastros estáticos, ele usa Aprendizado de Máquina (ML) para aprender a função de mapeamento do agendador comercial 5G diretamente de medições de alta resolução in situ.

O sistema consiste em três componentes principais:

A. Coleta de Dados de Alta Resolução

O NeuralEmu utiliza um framework de medição sincronizado para capturar dados nas camadas de aplicação, dispositivo e rádio:

• Visão da Rede: Usa rádios definidos por software (NR-Scope) para capturar passivamente informações de controle de enlace descendente, capturando as decisões finais do agendador (alocação de PRB e MCS) para todos os usuários na célula.
• Visão do Dispositivo: Usa ferramentas como CellNinja em smartphones controlados e conectados por cabo para extrair relatórios locais de CQI e logs de modem.
• Inferência de Buffer: Como a ocupação interna do buffer da estação base é opaca, o NeuralEmu a infere analisando o tempo dos pacotes. Ele calcula a diferença entre o tempo de saída do servidor, o atraso do caminho da internet (estimado via atraso de ida mínimo) e o tempo de entrada do modem para estimar o tempo que os pacotes passaram aguardando no buffer da RAN.

B. Reconstrutor de Tráfego (Resolvendo o Problema de "Dados Faltantes")

Para treinar um modelo de agendador, o sistema precisa conhecer o estado de todos os usuários, incluindo usuários de fundo não controlados cujos padrões de tráfego são invisíveis.

• Problema Inverso: O Reconstrutor de Tráfego é um modelo de ML que trabalha de trás para frente a partir dos resultados de agendamento observáveis (PRBs, MCS, Tamanho do Bloco de Transporte) para inferir as entradas ocultas: os padrões de tráfego de entrada e o CQI de usuários de fundo.
• Mecanismo: Ao analisar a alocação agregada de recursos e os estados conhecidos de usuários controlados, o modelo deduz a dinâmica do buffer e as condições do canal dos usuários de "ruído", efetivamente reconstruindo o estado completo da célula.

C. Agendador Neural (O Motor de Emulação)

Este é o modelo central de ML que atua como o emulador.

• Arquitetura: É dividido em dois sub-modelos especializados para lidar com a natureza dupla do gerenciamento de recursos celulares:
  1. Modelo PRB: Usa uma Unidade Recorrente com Portões (GRU) para características temporais e um Codificador Transformer para atenção entre usuários. Ele prevê como dividir os Blocos de Recursos Físicos (PRBs) limitados entre usuários concorrentes com base em seus estados relativos de buffer e qualidades de canal.
  2. Modelo MCS: Usa um Transformer para prever o Esquema de Modulação e Codificação (MCS) para cada usuário com base principalmente em seu CQI individual.
• Operação: O modelo recebe o estado reconstruído (ocupação do buffer, CQI) de todos os usuários e prevê a alocação de recursos para os próximos slots de tempo (granularidade de 500µs).

D. Implementação

O NeuralEmu é implementado como um middlebox Linux de alto desempenho usando sockets AF_XDP e NVIDIA TensorRT para inferência de baixa latência (<500µs). Ele impõe estruturas de quadro TDD e simula retransmissões HARQ para replicar o jitter de atraso.

3. Contribuições Principais

1. Primeiro Emulador ML Multi-usuário: O NeuralEmu é o primeiro emulador celular capaz de lidar com precisão com múltiplos usuários concorrentes compartilhando uma estação base, capturando a dinâmica de contenção entre usuários.
2. Paradigma Acionado pelo Agendador: Ele desloca o foco da emulação da camada física ou de rastros estáticos para a lógica do agendador MAC, preenchendo a lacuna entre o design teórico e a realidade comercial.
3. Reconstrução de Tráfego: Introduz uma abordagem inovadora de ML para inverter a telemetria de agendamento e recuperar estados ocultos de usuários de fundo, resolvendo o problema crítico de visibilidade de dados.
4. Ecossistema Aberto: Os autores comprometem-se a tornar o software, os conjuntos de dados de telemetria in situ de alta resolução e os modelos pré-treinados de código aberto para facilitar pesquisas futuras.

4. Resultados e Avaliação

Os autores avaliaram o NeuralEmu contra redes 5G T-Mobile ao vivo e ferramentas de última geração (CellReplay, Mahimahi) em várias aplicações:

• Controle de Congestionamento: O NeuralEmu reduziu significativamente os erros de emulação para throughput e atraso. Por exemplo, reduziu o erro de emulação de RTT para o algoritmo Copa em mais de 80% em comparação com o CellReplay.
• Tempo de Carregamento de Página Web: O NeuralEmu reduziu o erro de emulação em 55% em comparação com o CellReplay e 51% em comparação com o Mahimahi.
• Streaming de Vídeo (VoD): Em cenários envolvendo tráfego de fundo (por exemplo, um fluxo BBR competindo com um cliente VoD), o NeuralEmu replicou com precisão o compartilhamento dinâmico de recursos, enquanto ferramentas de gravação e replay falharam em capturar a reação do agendador à natureza "educada" do tráfego VoD. O NeuralEmu reduziu os erros de emulação de taxa de bits ABR de ~7% para <1%.
• WebRTC e Jogos em Nuvem: O NeuralEmu alcançou uma redução de 57% no erro de taxa de bits do codificador WebRTC e uma redução de 51% no erro de atraso de ida de jogos em nuvem em comparação com ferramentas existentes.
• Desempenho: O tempo de inferência é de aproximadamente 456 µs (mediana) em uma GPU de consumo, permitindo que ele acompanhe o agendamento de slots 5G em tempo real (0,5ms).

5. Significado

O NeuralEmu representa uma mudança de paradigma na emulação de redes. Ao tratar o agendador 5G como uma função aprendível em vez de um ambiente estático ou um algoritmo simplificado, ele fornece um campo de testes padronizado e de alta fidelidade para protocolos de rede.

• Impacto na Pesquisa: Permite que os pesquisadores iterem rapidamente em algoritmos de controle de congestionamento e ABR sem o pesadelo logístico de testes de campo ao vivo ou as imprecisões da simulação.
• Realismo: É a primeira ferramenta a replicar fielmente a interação de "malha fechada" onde o comportamento da aplicação influencia o agendamento da rede, que por sua vez influencia o desempenho da aplicação.
• Preparação para o Futuro: À medida que o 5G evolui e novos algoritmos de agendamento são implantados pelos fornecedores, a abordagem baseada em ML permite que o NeuralEmu seja retreinado em novos dados de telemetria, mantendo sua relevância sem exigir engenharia reversa de código proprietário.