智能AI
morning
SLED:从边缘到数据中心的传感器切片
2026-11-18
1 阅读
约2分钟阅读
Alan Subedi, Avhishek Biswas, Apala Pramanik, Amlan Balabantaray, Mikhail Titov, Santosh Pitla, Ozgur Kilic, Mehmet C. Vuran
字号:
arXiv:2611.21937v1 公告类型:新 摘要:现代传感系统从多种传感器模式生成大量异构数据流,越来越依赖数据中心进行计算、人工智能/超级智能 (AI/SI) 推理和 AI/SI 训练。每个传感器流可能有不同的网络和计算要求,具体取决于其类型和数据量。然而,当前的无线系统通常在设备级别分配资源,导致共置传感器流之间的争用,其中批量数据传输可能会导致延迟关键的遥测技术匮乏。为此,本文介绍了传感器切片(SL)。 SL 为开放式无线接入网络 (O-RAN) 中单个用户设备 (UE) 内的各个传感器提供确定性的介质访问控制 (MAC) 级隔离。使用代理编码技术,SL 在两个符合 O-RAN 的软件包中实现,将开发时间缩短了 400 倍(2 小时 40 分钟 [OCUDU] 与 6.5 周 [OAI]),人工提示减少了 228 倍(4 比 913),并且令牌数量减少了一半(0.64B 比 1.43B)。实施相关的端到端框架 SLED,以跨边缘、园区和远程高性能计算 (HPC) 层建立每个传感器的无线电和网络隔离。空中无线实验表明,虽然传统网络切片在高流量负载下会导致关键延迟增加 2,300 倍以上,但 SLED 仍能保持稳定的延迟。对两个 RAN 堆栈的扩展评估表明,即使传感器切片数量增加,吞吐量仍保持在预期分配的 0.9% 和 1.4% 以内。结果表明,SLED 保留了对延迟至关重要的遥测,同时有效利用传感器到 HPC 管道中的资源。 SLED 软件和评估数据集可在 https://github.com/UNL-CPN-Lab/SLED-Sensor-SLicing-from-Edge-to-Datacenter 上公开获取。
这篇文章对您有帮助吗?
订阅66必读
每日精选科技资讯,直达你的邮箱