5G Realzeitkommunikation für das "Taktile Internet" (5G-Remote)

• Antragsteller: Professor Dr.-Ing. Eckhard Grass; Professor Dr.-Ing. Rolf Kraemer
• Fachliche Zuordnung: Kommunikationstechnik und -netze, Hochfrequenztechnik und photonische Systeme, Signalverarbeitung und maschinelles Lernen für die Informationstechnik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 457407152

Mit der Einführung der 5. Generation der Mobilfunksysteme (5G) wird eine entscheidende Herausforderung für die Echtzeitkommunikation verbunden sein. Die wichtigste Anforderung für viele dieser Echtzeitanwendungen ist ein garantierter minimaler Netzwerk-Round-Trip-Delay (RTD) von ≤ 1ms. Um die erforderliche RTD zu erreichen müssen die Ressourcen für das End-to- End (E2E)-Netzwerk gemeinsam optimiert werden. Wir argumentieren, dass URLLC, wie für 5G vorgeschlagen, nicht ausreicht, um die Anforderungen an taktile Internetanwendungen (TI) zu erfüllen. In diesem Projekt werden flexible und programmierbare Netzwerkarchitekturen mit effizienten Echtzeit-Virtualized Radio Resource Management (vRRM)- Techniken untersucht, simuliert und prototypisch implementiert, um die angestrebten Leistungsparameter für TI-Dienste zu erreichen. Dabei werden auch KI-Frameworks und Bibliotheken verwendet, um eine verbesserte Virtualisierung durch die Verwendung von Netwerkdaten zu erreichen. Wir werden aber keine eigene KI-Forschung betreiben. Die Optimierung der drahtlosen E2E-Netzwerkverbindung erfordert die Untersuchung aller Netzwerkressourcen und insbesondere der Kommunikation, der Berechnung und der Speicherressourcen, was einen enormen Arbeitsaufwand bedeutet. Daher werden wir uns auf die Untersuchung und Entwicklung eines zuverlässigen Hypervisors und die Echtzeitplanung von Netzwerkressourcen für die cMTC (Critical Machine Type Communication) konzentrieren, um notwendige Verbesserungen gegenüber der URLLC (Ultra-Reliable Low-Latency Communication) Servicequalität zu erreichen. Dies erfordert die Verlagerung kritischer Teile der Cloud-Control-Anwendung auf den Edge-Server in der Nähe des CPS. Wir beabsichtigen nicht, die spezifische Mobilität des Endbenutzers zu untersuchen, so dass wir von einer statischen oder nomadischen Beziehung zwischen dem Endbenutzer und dem Edge-Server ausgehen können. Im Rahmen des Projekts werden vRRM-Techniken und -Algorithmen untersucht, um das erforderliche Netzwerk-RTD-Optimierungsproblem für TI-spezifische drahtlose Echtzeitkommunikation in einem Anwendungsfall der Fabrikautomatisierung zu lösen. Das ursprüngliche Optimierungsproblem wird als ein auf dem Markov Decision Process (MDP) basierendes Problem der eingeschränkten Versorgungsoptimierung formuliert, in dem die optimale Lösung gesucht wird. Um die Benutzerfreundlichkeit von KI-basierten Ansätzen zu beweisen, werden Online-Lernalgorithmen angewendet, die sich der optimalen Lösung mit geringer Rechenkomplexität nähern. Mit Hilfe von Open-Source-Software wie OpenStack, OPNFV und OpenFog werden optimale und nahezu optimale Lösungen antizipiert. Für die Untersuchung der KI-Unterstützung für die Hypervisor-Planungspolitik und die Nutzung von Lernalgorithmen werden wir KI-Frameworks wie TensorFlow oder CNTK für die experimentelle DNN-Modellierung (Deep Neural Networks) und KI-Bibliotheken wie Torch oder MLPack für prototypische Implementierungen und Auswertungen verwenden.

• DFG-Verfahren: Sachbeihilfen