随着近日5G独立组网(SA)NR标准冻结,5G的商用步伐从散步变成慢跑、快跑,到现在已经开始疾速奔跑,这也意味着5G技术方案验证及应用步入关键阶段。作为一家基础设施核心技术供应商,英特尔一直站在推进5G发展的前沿,并与全球的运营商和制造商合作,推动5G网络的大规模转型。
在本次MWCS 2018的现场,英特尔的身影就无处不在,无论是三大电信运营商还是各大通信设备供应商的展台,英特尔都做到了“Inside”其中,充分展现了它携手合作伙伴和运营商重构5G所需的核心、边缘和接入网络的战略规划。
核心:推进5G SA中SBA架构的优化
6月28日,中国移动在MWCS上发起了“5G SA起航行动”,作为构建5G SA(独立架构)组网方案的关键技术,SBA(Service Based Architecture,基于服务的网络架构)在其中扮演了关键角色,该架构去年已被3GPP正式确认为5G核心网统一基础架构。
为了推进5G SA快速落地,同样作为“5G SA起航行动”的重要环节,中国移动与英特尔在现场联合发布了《5G独立架构实施指导》白皮书。白皮书提出了多个SBA架构方案实例化原型,并给出了这些方案原型在不同场景下的性能测试数据和相对应的技术优化建议。
一般而言,构建5G核心网中的SBA架构有集成式或分布式多种方法,并可在基于NFV架构的虚拟机或容器中进行部署。对此,运营商该做何选择?中国移动与英特尔通过测试发现,集成式SBA架构以其高吞吐率和低延迟的特性,相比其他方案有更优秀的性能表现,自然也成为了推荐部署的方案。
边缘: 面向边缘机房的OTII定制服务器
对于运营商来说,数量庞大的边缘机房也是未来5G部署中的重要一环,但它们的条件很难与大型数据中心等同,在很多方面无法满足常规通用服务器的部署及运行要求,因此对服务器进行定制设计就是更为可取的方案。
OTII定制服务器参考设计和行动计划书联合发布现场
为此,中国移动与中国电信、中国联通、英特尔、华为、浪潮、Mellanox、云达科技等公司在MWCS现场共同发布了《OTII定制服务器参考设计和行动计划书》,并展示了首款OTII深度定制服务器参考设计原型机。此原型机基于英特尔至强平台,总体上反映了OTII在配置规格、硬件设计和管理维护等方面的技术要求,并已经初步具备运行能力。此外,OTII项目还联合产业界对外公示了面向5G商用的未来行动计划。
OTII边缘服务器原型机,可搭配英特尔至强D处理器或英特尔至强可扩展处理器
接入:O-RAN提升5G接入网络灵活性
中国移动展示的O-RAN白盒设备——有源拉远型白盒室分原型系统
将“开放”作为新一代无线接入网络的关键属性是运营商们的共识。在MWCS现场,英特尔就与中国移动联合展示了O-RAN白盒设备。该设备是对传统基站BBU+RU模式的改造,它使用开放的英特尔架构实现了软硬件解耦,通过对该架构处理能力的复用,还能实现动态扩缩容和资源共享,能够更灵活地适配业务和流量潮汐的变化,这些都是专有架构难以实现,也是5G所必需的。
其他5G网络转型成果:vBRAS加速及下一代前传接口
除了上述三项重要进展外,英特尔还联合联想、赛特斯、中国电信北京研究院等合作伙伴展示了基于FPGA加速的5G-Ready网络解决方案。
基于FPGA加速的5G-Ready网络解决方案,包括了5G下一代前传接口、IPsec以及vBRAS方案
例如在vBRAS的现场演示中,运行在联想的网络虚拟化基础设施(NFVi)平台上赛特斯的vBRAS网元,可采用基于英特尔Arria 10 GX FPGA的英特尔PAC解决方案,来实现更高的吞吐量、更低的延迟和更低的丢包率,从而提升vBRAS服务质量。与不带硬件加速的vBRAS解决方案相比,新方案能够提供无马赛克现象的出色视频播放性能,能更好地满足视频流服务对网络带宽日益增长的需求。
在5G下一代前传接口演示中,英特尔的可编程加速网卡、FlexRAN平台和至强处理器则展示了自身在执行5G分离数字信号处理方面的能力,它们面向5G的更灵活的帧结构,使前传接口具有可编辑的灵活性,从而支持不同类型的协议。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。