NeuralEmu：その場計測に基づくMLベースの高精細5Gネットワークエミュレーション

要旨: 現在および将来のアプリケーションでは、超低遅延と一貫したスループットが求められていますが、実際にはしばしば5Gセルラーネットワークを経由します。そのため、5G基地局のスケジューラがユーザーワークロードや無線チャネル状況に応じて動的に反応することにより生じる、変動するパケットダイナミクスに対処する必要があります。このような環境でネットワークアルゴリズムを評価する作業は、現行のツールによって大きく制約されています。すなわち、リコード＆リプレイ（record-and-replay）型のエミュレータは、アプリケーションの端末間のフィードバック相互作用と、商用オペレータの独自の5Gスケジューラとの間に存在する相互作用を断ち切ってしまいます。一方で、フルスタック・シミュレータは、過度に単純化されたスケジューリング論理に依存しています。この現実とのギャップを埋めるために、私たちはNeuralEmuを提案します。NeuralEmuは、高い忠実度を備えた機械学習ベースのエミュレーションフレームワークであり、極めて高解像度のネットワークテレメトリから複雑な5Gスケジューラの資源割り当て挙動を直接学習します。複数クライアントを扱える最初のエミュレータであるNeuralEmuは、瞬時のユーザバッファ占有量とチャネル状態に基づいて、機械学習により資源ブロックの割り当てと変調方式を動的に予測します。ユーザ間の現実的な競合を捉えるために、トラフィック再構成モデルがセルラーネットワークのスケジューリング結果を反転し、制御されていないバックグラウンドユーザの基礎となるトラフィックパターンを復元します。高性能なLinuxミドルボックスのエミュレータとして実装されたNeuralEmuは、さまざまなネットワークアプリケーションにおいて、最先端（state of the art）に対するエミュレーション誤差を低減します。対象は、たとえば（ただしこれらに限定されない）ウェブページのロード時間で55%、WebRTCエンコーダのビットレートで57%、クラウドゲーミングのパケット一方向遅延で51%です。これにより、明日のリアルタイムな双方向ネットワークプロトコルおよびアプリケーションのための、正確で標準化されたテスト環境を提供します。