NVIDIA/aerial-cuda-accelerated-ran

NVIDIA Aerial™ CUDA 加速 RAN

是什么 – 一个开源 SDK，将 5G 无线接入网（RAN）的繁重计算任务迁移至 NVIDIA GPU 上。它提供了物理层（L1）和 MAC 层（L2）的 CUDA 实现，并附带 Python 绑定，使研究人员能够轻松将该栈集成到 AI/ML 框架中。

为何重要 – 5G 及未来的 6G 系统需要大量计算能力来处理 LDPC/Polar 信道编码、大规模 MIMO 波束成形和实时调度等任务。通过将这些任务卸载到 GPU，该 SDK 实现了：

• 快速仿真真实的 5G 波形。
• 快速原型化 AI 增强的调度或信道估计算法。
• 可扩展的容器化部署，适用于研究集群或边缘服务器。

核心组件

组件	作用	亮点
cuPHY	CUDA 加速物理层（L1）	LDPC 与 Polar 编码、调制/解调、MIMO 处理、信道估计 —— 全部在 GPU 上运行。
cuMAC	CUDA 加速 MAC 层（L2）	高吞吐量调度器，用于资源分配和定时。
pyAerial	Python API	向 Python 暴露 cuPHY/cuMAC，便于从 TensorFlow、PyTorch 或 Sionna 通信 ML 库中调用。
5GModel	参考波形生成器	基于 MATLAB 的脚本，生成测试向量并验证 GPU 内核是否符合 3GPP 规范。
容器环境	NVIDIA NGC 上的 Docker 镜像	包含所有依赖项的预构建容器，开箱即用。

仓库结构（概览）

• cuPHY/ – 物理层的 GPU 内核。
• cuMAC/ – MAC 调度器的 GPU 内核。
• pyaerial/ – Python 绑定和辅助 ML 工具。
• 5GModel/ – 测试向量生成和验证工具。
• testBenches/ – 性能测量和正确性测试脚本。
• cuPHY-CP/ – 控制面连接（前传驱动、RU 模拟器等）和容器构建脚本。

快速入门

# 克隆并包含子模块
git clone --recurse-submodules https://github.com/NVIDIA/aerial-cuda-accelerated-ran.git
cd aerial-cuda-accelerated-ran

# 安装 Git-LFS 并拉取大文件
sudo apt install git-lfs && git lfs pull

# 启动开发容器（包含 CUDA、驱动和所有库）
./cuPHY-CP/container/run_aerial.sh

# 在容器内构建 SDK
./testBenches/phase4_test_scripts/build_aerial_sdk.sh

容器镜像也可在 NVIDIA NGC 上获取，适用于 CI/CD 流水线。

典型应用场景

1. 研究 – 通过 pyAerial 插入自定义 Python 代码，评估新的 AI 驱动的信道估计或调度算法，同时保留高性能 GPU 内核。
2. 仿真 – 生成具有真实 PHY 行为的大规模 5G NR 业务流量记录，用于网络级研究。
3. 原型部署 – 在 GPU 支持的服务器上运行完整 RAN 栈，用于边缘计算演示或早期 6G 测试床。

支持与贡献

• 该项目由 NVIDIA 维护。问题可在 GitHub 上提交；安全报告请通过 SECURITY.md 中描述的私密披露流程提交。
• 目前 不接受贡献（外部开发者仅可读取仓库）。

许可证 – Apache License 2.0（见 LICENSE）。部分第三方组件有各自许可证（列于 ATTRIBUTION.rst）。

引用 – 若您发表使用此 SDK 的研究成果，请引用提供的 BibTeX 条目。

---

以上所有信息均直接来自仓库的 README；未推断任何额外功能。