SUPER mira a sviluppare reti e servizi programmabili che siano incentrati sull’utente, affidabili, sostenibili e rapidamente adattabili. Ciò comporta la creazione di una piattaforma edge-device scalabile, modulare, aperta e leggera, che utilizza il Machine Learning per il monitoraggio e la previsione. Inoltre, il progetto si concentra su una rete centrale eterogenea programmabile con gestione ottimale del traffico e composizione dei servizi, reti di accesso radio programmabili ed eterogenee guidate dall’intelligenza artificiale e algoritmi avanzati per la gestione dei servizi distribuiti e l’ottimizzazione delle risorse.

SUPER è parte dello Spoke 4 – Programmable Networks for Future Services and Media 

PI di progetto: Carla Fabiana Chiasserini

Il progetto ha definito un'architettura per l'ottimizzazione del carico di lavoro e del routing nelle reti edge e field, che comprende un livello di astrazione, componenti di intelligenza artificiale, un componente di automazione della rete e uno strumento di metrologia.

Ha inoltre lavorato sugli strumenti di programmabilità del piano dati, come eBPF e P4, per la composizione dei programmi, l'analisi del traffico in rete, il controllo dei ritardi e i relativi approcci di orchestrazione delle risorse.

Altre attività si sono concentrate sui framework per l'esecuzione di applicazioni sensibili al tempo su risorse virtualizzate, sull'implementazione di slicing semantico della rete per l'ottimizzazione dell'offloading e sull'ottimizzazione delle risorse per le applicazioni O-RAN.

Il progetto ha poi lavorato alla progettazione di modelli, algoritmi di ottimizzazione basati sui dati e politiche di controllo dinamico per l'orchestrazione di applicazioni altamente distribuite, ad alta intensità di risorse e sensibili alla latenza.

Una serie di nove casi d'uso guida sono stati progettati e supportati dai partner industriali e sono stati mappati su diciassette innovazioni proposte dai partner del progetto.
I principali risultati ottenuti finora nell'ambito di SUPER coprono diversi aspetti dell'ambito del progetto, tra cui:
  • strategie e architetture di orchestrazione, ad esempio per la composizione di servizi nel continuum edge-to-cloud o per l'addestramento di modelli di apprendimento automatico;
  • strutture per l'offloading di compiti all'edge-cloud o per la previsione della domanda di energia nelle infrastrutture di ricarica dei veicoli elettrici;
  • algoritmi per applicazioni distribuite e sensibili alla latenza e supporto all'apprendimento federato;
  • ottimizzazione delle applicazioni O-RAN, finalizzata al risparmio energetico e alla qualità del servizio;
  • tecnologie chiave e strumenti software per la programmabilità avanzata del networking del kernel Linux, l'estrazione di caratteristiche del traffico in tempo reale e le misurazioni in rete, la misurazione e la selezione della qualità dei tunnel SD-WAN e la pianificazione delle risorse di edge computing.

I partner industriali hanno proposto una serie di casi d'uso, tra cui l'ottimizzazione della distribuzione di video mobili, l'orchestrazione end-to-end per la gestione delle reti private 4G/5G e l'interoperabilità con la rete principale 5G.

Questi casi d'uso sono stati mappati su diciassette innovazioni proposte dai partner del progetto, incentrate sulla fornitura di servizi e sull'orchestrazione di servizi/risorse su infrastrutture eterogenee, comprese le reti di accesso radio aperte, strumenti efficienti di monitoraggio e analisi del traffico di rete, accelerazione del percorso dei dati.

Papers:
N. Di Cicco, G. F. Pittalà, G. Davoli, D. Borsatti, W. Cerroni, C. Raffaelli, and M. Tornatore. "DRL-FORCH: A Scalable Deep Reinforcement Learning-based Fog Computing Orchestrator." In 2023 IEEE 9th International Conference on Network Softwarization (NetSoft), pp. 125-133. IEEE, 2023. https://doi.org/10.1109/NetSoft57336.2023.10175398  

S. Miano, A. Sanaee, F. Risso, G. Rétvári, and G. Antichi. "Morpheus: A Run Time Compiler and Optimizer for Software Data Planes." In IEEE/ACM Transactions on Networking, early access. https://doi.org/10.1109/TNET.2023.3346286   

F. Mungari, C. Puligheddu, A. Garcia-Saavedra, and C. F. Chiasserini. "OREO: O-RAN intElligence Orchestration of xApp-based network services." In Proceedings of IEEE INFOCOM 2024. https://doi.org/10.48550/arXiv.2405.18198 
Tutti i partner industriali coinvolti in SUPER sin dall’inizio (ovvero HPE, Italtel, TIM e Vodaphone) hanno contribuito alla definizione di casi d’uso e scenari di interesse. Hanno inoltre contribuito alla preparazione di un documento di sintesi. In particolare, TIM sta collaborando attivamente con UNIBO sulla simulazione delle piattaforme O-RAN. Tra i nuovi partner industriali che hanno aderito al progetto attraverso la prima ondata di chiamate a cascata, Nextworks e Sma-RTy stanno aiutando con la progettazione della piattaforma di orchestrazione SUPER.
Partner di programma: Partner Bandi a Cascata:
I KPI riportati di seguito sono stati raggiunti dal progetto SUPER alla fine del mese 24 del progetto. Il valore atteso è calcolato a partire dal valore atteso complessivo specificato nella proposta RESTART diviso per una somma ponderata del numero di progetti strutturali (Nsp = 14) e del numero di progetti mirati (Nfp = 18), come segue: Valore atteso SUPER = Valore atteso RESTART / (1 × Nsp + 0,5 × Nfp) KPI 1a: Pubblicazioni scientifiche peer-reviewed su riviste/riviste:
  • Previsto: ≥ 8
  • Completato: 22
  • Livello di prontezza: 2,75/0,67 > 100%
KPI 1b: Pubblicazioni scientifiche peer-reviewed a conferenze internazionali:
  • Previsto: ≥ 12
  • Completato: 52
  • Livello di prontezza: 4,33/0,67 > 100%
KPI 2: Pubblicazioni scientifiche peer-reviewed congiunte co-firmate da almeno due partner:
  • Previsto: ≥ 30%
  • Completato: 16 delle 20 previste = 80%
  • Livello di prontezza: 2,67/0,67 > 100%
KPI 3: Seminari, conferenze su invito/principali e altri eventi di disseminazione:
  • Previsto: ≥ 2
  • Completato: 7 interventi invitati + 8 keynote + 3 workshop di disseminazione + 3 organizzazione di workshop scientifici
  • Livello di prontezza: 10,50/0,67 > 100%
KPI 5: riunioni di progetto:
  • Previsto: ≥ 6
  • Completato: 4
  • Livello di prontezza: 0,67/0,67 = 100%
KPI 6: brevetti/innovazioni:
  • Previsto: ≥ 2
  • Completato: 1 ottenuto, 2 inviati
  • Livello di prontezza: 0,50/0,67 = 75%
KPI 7: contributi open source (inclusi set di dati):
  • Previsto: ≥ 1 set di dati disponibili, ≥ 3 comunità FOSS
  • Completato: 1 set di dati + 3 repository GitHub
  • Livello di prontezza: 1/0,67 > 100%
KPI 8: standardizzazione contributi:
  • Previsto: ≥ 1
  • Completato: 1
  • Livello di prontezza: 1/0,67 > 100%
Altri KPI:
  • Pubblicazioni scientifiche peer-reviewed congiunte co-autorizzate con l'industria: 2
  • Pubblicazioni scientifiche peer-reviewed congiunte con collaboratori internazionali: 19
  • Tesi di laurea magistrale con riconoscimento a SUPER: 8
  • Corsi su argomenti rilevanti per SUPER: 3
  • Richieste di finanziamenti nazionali/internazionali: 3
  • Tesi di dottorato con riconoscimento a SUPER: 7
  • Visitatori internazionali (dottorandi/ricercatori): 2
  • Pubblicazioni scientifiche congiunte sottoposte a revisione paritaria, redatte in collaborazione con collaboratori internazionali: 16
M2.1:
  • Previsto: prima versione della piattaforma di provisioning delle risorse leggera e valutazione sperimentale; e prima versione della soluzione di intelligence di rete basata sull'intelligenza artificiale.
  • Completato: il software relativo a una selezione di moduli della piattaforma è stato rilasciato privatamente insieme al deliverable 2.1. Ciò includeva parte del posizionamento del servizio e dell'intelligence di monitoraggio. Pertanto, questo può essere considerato un "primo rilascio" di successo.
  • Completato entro il 31/12/2023.
  • Livello di prontezza: 1,00/0,67 = 1,5
M2.2:
  • Previsto: identificazione dei requisiti utente, SotA e strumenti di intelligenza artificiale sviluppati in WP5 da utilizzare in T2.3; definizione di laboratori di ricerca e definizione preliminare delle attività sperimentali e dei dimostratori.
  • Completato: è stato stabilito un dialogo con WP5 per definire algoritmi e formati di scambio dati da utilizzare per le seguenti attività. I ​​risultati sono stati presentati in workshop di disseminazione e conferenze.
  • Livello di prontezza: 1,00/0,67 = 1,5
M3.1:
  • Previsto: Strumenti per dataplane programmabili: report sulla progettazione degli strumenti. Completato: Il progetto finale del toolkit è stato completato ed è stato sviluppato un prototipo iniziale per alcuni degli strumenti. Inoltre, un set di risultati preliminari è stato documentato nel deliverable D3.1. Di conseguenza, questo può essere considerato un "primo rilascio" di successo.
  • Completato entro il 31/12/2023.
  • Livello di prontezza: 1,00/0,67 = 1,5
M3.2:
  • Previsto: Gestione del traffico e ottimizzazione: report preliminare su NetApps. Completato: Sono stati presentati il ​​progetto e l'implementazione preliminare degli algoritmi di allocazione della catena di funzioni, dimostrando miglioramenti significativi nell'utilizzo delle risorse e nelle prestazioni di rete. Inoltre, è stato sviluppato il prototipo SUPER Orchestrator per gestire VNF e funzioni AI, migliorando la gestione del traffico e la sicurezza di rete. I risultati hanno inoltre evidenziato l'efficacia degli algoritmi MILP e Greedy Heuristic per l'allocazione delle risorse, mentre la programmabilità multi-tenant è stata abilitata tramite il cluster SUPERNET P4. Questi contributi sono documentati nel deliverable D3.2,
  • Completato entro il 30/06/2024.
  • Livello di prontezza: 1,00/0,67 = 1,5
M4.1:
  • Previsto: progettazione di interfacce del piano dati e abilitatori di orchestrazione per RAN eterogenee ed avanzate.
  • Completato: gli output T4.1 e T4.2 sono stati pubblicati in D4.1, che riporta interfacce del piano dati e abilitatori di orchestrazione per RAN eterogenee ed avanzate. Il rilascio di D4.1 segna il raggiungimento di M4.1.
  • Completato entro il 31/12/2023.
  • Livello di prontezza: 1,00/0,67 = 1,5
M4.2:
  • Previsto: versione iniziale di meccanismi di controllo consapevoli della privacy per l'allocazione delle risorse e il monitoraggio presso la RAN.
  • Completato: T4.3 ha finalizzato lo sviluppo iniziale di un framework consapevole della privacy per la gestione delle risorse radio, che utilizza l'apprendimento federato su sensori LoRa sparsi per eseguire il rilevamento dello spettro. Allo stesso tempo, è in fase di studio l'immunità di LoRa al Wi-Fi nello spettro a 2,4 GHz. Infine, è in fase di studio l'applicazione della tecnologia Wi-Fi
  • Target Wake Time per applicazioni Time-Sensitive Networking. L'esito di queste attività è stato riportato in D4.2.
  • Livello di prontezza: 1,00/0,67 = 1,5
M5.1:
  • Previsto: progettazione di soluzioni algoritmiche basate su modelli e dati per agenti di ottimizzazione globale e controllo dinamico. Valutazione iniziale, confronto e analisi della combinazione di soluzioni basate su modelli e dati, guida del piano di perfezionamento.
  • Definizione di casi d'uso verticali/applicativi rilevanti.
  • Completato: progettazione di un set competitivo di algoritmi di ottimizzazione e policy di controllo. Identificazione di casi d'uso rilevanti. Risultati riportati nel deliverable D5.1.
  • Completato entro il 31/12/2023.
  • Livello di prontezza: 1,00/0,67 = 1,5
M5.2:
  • Previsto: progettazione di un'architettura di controllo e ottimizzazione complessiva che combina algoritmi di ottimizzazione centralizzati a lunga scala temporale con agenti di controllo dinamici a breve scala temporale che possono essere eseguiti in un ambiente distribuito ed eterogeneo.
  • Valutazione del sistema di orchestrazione globale-locale con i migliori algoritmi identificati per ciascun componente e agente di controllo. Beneficio in termini di prestazioni ben compreso.
  • Completato: algoritmi candidati completamente perfezionati e studiati a fondo. Combinazioni di algoritmi completate per orchestrazione simultanea a lungo e breve termine.
  • Livello di prontezza: 1,00/0,67 = 1,5
M6.1:
  • Previsto: definizione di casi d'uso, scenari e requisiti. Sono stati definiti cinque scenari verticali da cui sono derivati ​​nove casi d'uso guida, che coprono varie aree delle reti programmabili.
  • Completato: completato il 31/08/2023.
  • Livello di prontezza: 1,00/0,67 = 1,5
M6.2:
  • Previsto: definizione di strumenti di valutazione comuni in tutto il progetto
  • Completato: raccolta di input relativi a KPIS comuni, benchmark di strumenti disponibili e/o utilizzati per la convalida e testbed.
  • I risultati sono stati riportati nel deliverable D6.2.
  • Livello di prontezza: 1,00/0,67 = 1,5

Proposte di collaborazione:
È possibile avanzare proposte di collaborazione sul progetto  contattando la PI del progetto.

SUPER News: