从ONF(开放网络基金会)获悉,ONF已于本周正式启动全新的SD-RAN(软件定义无线接入网)项目,旨在为移动4G和5G RAN的部署建立开源软件平台和多供应商解决方案。该项目由行业领先的运营商、联盟技术公司和相关组织支持,创始成员包括AT&T、中国移动、中国联通、德国电信、Facebook、谷歌、英特尔、NTT、Radisys和 Sercomm。
迄今为止,ONF广泛参与了全球Tier 1运营商网络中开源平台的构建。ONF的云原生解决方案利用解耦和白盒化的方式,通过采用SDN、NFV和最新的云技术来构建灵活、高性能、高可用的解决方案,从而将智能和控制从专有供应商的特定设备中转移到云端。此外,ONF已经解决了多种运营商场景,包括:数据中心、固定接入、回传、光传输和移动核心网领域。
今天,通过创建SD-RAN项目,ONF无疑将把其独特的方法和理念所具备的种种优势带入到RAN领域,助其发展。据悉,SD-RAN项目初期将专注于构建开源准实时无线电智能控制器(nRT-RIC)。
SD-RAN项目的核心是开发一个名为μONOS-RIC(micro-ONOS-RIC)的开源准实时无线电智能控制器。μONOS是基于微服务的SDN控制器,它是通过对ONOS(面向全球Tier 1运营商网络的SDN控制器)进行重构和增强后创建的。而μONOS-RIC建立在μONOS之上,采用云原生设计,支持主动-主动集群,以实现可扩展性、高性能和高可用性,以及智能RAN控制所需的实时功能。
μONOS-RIC旨在控制兼容O-RAN联盟架构的多供应商Open RAN设备。具体来说,O-RAN联盟 E2接口被用于μONOS-RIC和供应商提供的RAN RU/DU/CU RAN组件之间的接口。
运行在μONOS-RIC之上的xApps负责传统意义上由供应商专有实现的功能。SD-RAN项目的一个主要目标是使外部智能控制器能够控制RAN,这样运营商就会对其RAN网络拥有可视性和控制能力,在运营商掌控频谱的使用和优化的方式后,可以为用户及应用提供最佳的体验。
SD-RAN项目的参与成员计划对一种先进的架构进行实施、创建原型和试验,使智能RIC xApps能够控制广泛的SON和RRM功能,这些功能过去一直作为供应商专有功能在定制基站设备和平台上实现。
截止目前,SD-RAN项目已经通过E2接口在RAN仿真平台上有了一个μONOS-RIC控制器的工作框架原型。这种实施展示了规模化的切换和负载平衡,支持了100多个基站和10万个用户设备切换延迟低于50毫秒(99%的切换延迟低于10毫秒)。
SD-RAN项目计划在2021年初进行现场试验,通过与RAN供应商合作,整合运营商级RU/DU/CU组件,同时并行实施xApps,以演示SON和RRM功能。
关于ONF
ONF是2011年由运营商主导成立的国际开放联盟组织,通过利用SDN、NFV和云化技术等方式围绕网络软硬件解耦、白盒设备、开源软件和软件定义标准来构建解决方案。如今,ONF已经成为运营商开源解决方案领域的领军者,推动着网络基础设施和运营商业务模式的转型。
了解更多ONF及其SD-RAN项目有关内容,敬请关注ONF官网www.opennetworking.org
好文章,需要你的鼓励
Turner & Townsend发布的2025年数据中心建设成本指数报告显示,AI工作负载激增正推动高密度液冷数据中心需求。四分之三的受访者已在从事AI数据中心项目,47%预计AI数据中心将在两年内占据一半以上工作负载。预计到2027年,AI优化设施可能占全球数据中心市场28%。53%受访者认为液冷技术将主导未来高密度项目。电力可用性成为开发商面临的首要约束,48%的受访者认为电网连接延迟是主要障碍。
MiroMind AI等机构联合研究团队提出了UniME-V2多模态嵌入学习新方法,通过让大型多模态语言模型充当"智能法官"来评估训练样本质量,解决了传统方法在负样本多样性和语义理解精度方面的问题。该方法引入软标签训练框架和困难负样本挖掘技术,在MMEB基准测试中取得显著性能提升,特别在组合式检索任务上表现出色,为多模态AI应用的准确性和用户体验改进提供了重要技术支撑。
亚马逊云服务宣布投资500亿美元,专门为美国政府构建AI高性能计算基础设施。该项目将新增1.3千兆瓦算力,扩大政府机构对AWS AI服务的访问,包括Amazon SageMaker、Amazon Bedrock和Claude聊天机器人等。预计2026年开工建设。AWS CEO表示此举将彻底改变联邦机构利用超级计算的方式,消除技术障碍,助力美国在AI时代保持领先地位。
南洋理工大学团队开发了Uni-MMMU基准测试,专门评估AI模型的理解与生成协同能力。该基准包含八个精心设计的任务,要求AI像人类一样"边看边想边画"来解决复杂问题。研究发现当前AI模型在这种协同任务上表现不平衡,生成能力是主要瓶颈,但协同工作确实能提升问题解决效果,为开发更智能的AI助手指明了方向。