NVIDIA/aerial-cuda-accelerated-ran

NVIDIA Aerial™ CUDA 加速 RAN

是什麼 – 一個開源 SDK，將 5G 無線存取網路（RAN）的繁重運算任務遷移至 NVIDIA GPU 上。提供物理層（L1）與 MAC 層（L2）的 CUDA 實作，並附帶 Python 綁定，讓研究人員能輕鬆將此堆疊整合至 AI/ML 框架中。

為何重要 – 5G 及未來的 6G 系統需要大量運算能力來處理 LDPC/Polar 通道編碼、大規模 MIMO 波束成形與即時排程等任務。透過將這些任務卸載至 GPU，此 SDK 可實現：

• 快速模擬真實的 5G 波形。
• 快速原型化 AI 增強的排程或通道估計演算法。
• 可擴展的容器化部署，適用於研究叢集或邊緣伺服器。

核心元件

元件	功能	亮點
cuPHY	CUDA 加速物理層（L1）	LDPC 與 Polar 編碼、調變/解調、MIMO 處理、通道估計 —— 全部在 GPU 上執行。
cuMAC	CUDA 加速 MAC 層（L2）	高吞吐量排程器，用於資源分配與時序。
pyAerial	Python API	向 Python 暴露 cuPHY/cuMAC，方便從 TensorFlow、PyTorch 或 Sionna 通訊 ML 套件中呼叫。
5GModel	參考波形產生器	基於 MATLAB 的腳本，產生測試向量並驗證 GPU 內核是否符合 3GPP 標準。
容器環境	NVIDIA NGC 上的 Docker 影像	包含所有相依性的預先建置容器，開箱即用。

倉儲結構（概覽）

• cuPHY/ – 物理層的 GPU 內核。
• cuMAC/ – MAC 排程器的 GPU 內核。
• pyaerial/ – Python 綁定與輔助 ML 工具。
• 5GModel/ – 測試向量產生與驗證工具。
• testBenches/ – 性能測量與正確性測試腳本。
• cuPHY-CP/ – 控制面連接（前傳驅動、RU 模擬器等）與容器建置腳本。

快速入門

# 克隆並包含子模組
git clone --recurse-submodules https://github.com/NVIDIA/aerial-cuda-accelerated-ran.git
cd aerial-cuda-accelerated-ran

# 安裝 Git-LFS 並拉取大檔案
sudo apt install git-lfs && git lfs pull

# 啟動開發容器（包含 CUDA、驅動與所有函式庫）
./cuPHY-CP/container/run_aerial.sh

# 在容器內建置 SDK
./testBenches/phase4_test_scripts/build_aerial_sdk.sh

容器映像亦可在 NVIDIA NGC 上取得，適用於 CI/CD 流水線。

典型應用場景

1. 研究 – 透過 pyAerial 插入自訂 Python 程式碼，評估新的 AI 驅動的通道估計或排程演算法，同時保留高效率 GPU 內核。
2. 模擬 – 產生具真實 PHY 行為的大規模 5G NR 通訊流量記錄，用於網路層級研究。
3. 原型部署 – 在支援 GPU 的伺服器上執行完整 RAN 堆疊，用於邊緣運算示範或早期 6G 測試床。

支援與貢獻

• 此專案由 NVIDIA 維護。問題可於 GitHub 提交；安全報告請依 SECURITY.md 所述之私密揭露流程處理。
• 目前 不接受貢獻（外部開發者僅可讀取倉儲）。

授權 – Apache License 2.0（詳見 LICENSE）。部分第三方元件有各自授權（列於 ATTRIBUTION.rst）。

引用 – 若您發表使用此 SDK 的研究成果，請引用提供的 BibTeX 項目。

---

以上所有資訊均直接取自倉儲的 README；未推斷任何額外功能。