論文の概要: Comparing UPF Dataplane I/O Modes in a Cloud-Native 5G Core: AF_PACKET, AF_XDP, CNDP, and DPDK on SD-Core BESS-UPF

• arxiv url: http://arxiv.org/abs/2608.14589v1
• Date: Mon, 22 Jun 2026 12:01:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.223158
• Title: Comparing UPF Dataplane I/O Modes in a Cloud-Native 5G Core: AF_PACKET, AF_XDP, CNDP, and DPDK on SD-Core BESS-UPF
• Title（参考訳）: クラウドNative 5G CoreにおけるUPFデータプレーンI/Oモードの比較:SD-Core BESS-UPF上のAF_PACKET, AF_XDP, CNDP, DPDK
• Abstract要約: 1つのオープンソースユーザプレーン関数(UPF)における4つのデータプレーンモードの比較を行う。 各モードでアーキテクチャ、データパス、メモリモデル、デプロイメント要件を説明します。 この論文は、クラウドネイティブな5Gデプロイメントにおいて、UPFデータプレーンモードを選択するオペレータのためのサイドバイサイドリファレンスである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The User Plane Function (UPF) carries all user-plane traffic in a 5G network, and its throughput depends on how packets move between the NIC and the application, that is, on the packet I/O mode. We compare four widely used modes, AF_PACKET, AF_XDP, the Cloud Native Data Plane (CNDP), and the Data Plane Development Kit (DPDK), on a single open-source UPF. Using SD-Core BESS-UPF deployed as a Charmed operator on Intel XXV710 NICs in Canonical Kubernetes, we run the same GTP-U/PDR/FAR/QER pipeline under each mode and change only the BESS port driver, so any difference is attributable to the I/O backend. For each mode we describe its architecture, datapath, memory model, and deployment requirements, and we measure throughput, latency, CPU usage, and stability; the deployment is also validated end-to-end against a disaggregated O-RAN 5G RAN with a commercial UE. On an XXV710/i40e testbed (NDR per RFC 2544) at 64 B, AF_PACKET reaches 0.25 Mpps, CNDP 5.52 and AF_XDP 6.47 Mpps at 2 workers, and DPDK 10.30 Mpps at 4 workers and 13.09 at 8, with the lowest latency (8.1 microseconds average). At matched worker counts the three kernel-bypass modes are within noise and AF_XDP leads per core; DPDK's advantage is a scaling-ceiling effect, since its native PMD over vfio-pci escapes the per-netdev AF_XDP socket limit that pins CNDP and AF_XDP at two workers, not a per-packet efficiency win. CNDP and AF_XDP are the cloud-native sweet spot when hugepages, vfio-pci, and isolated cores are unaffordable; DPDK is justified on dedicated hosts. We also document deployment pitfalls absent from synthetic benchmarks, including a Kubernetes limits.cpu mis-setting that silently halved DPDK throughput. The paper is a side-by-side reference for operators choosing a UPF dataplane mode in a cloud-native 5G deployment.
• Abstract（参考訳）: User Plane Function (UPF) は5Gネットワーク上のすべてのユーザプレーントラフィックを転送し、そのスループットはNICとアプリケーション間のパケットの移動、すなわちパケットI/Oモードに依存する。 AF_PACKET, AF_XDP, Cloud Native Data Plane (CNDP), Data Plane Development Kit (DPDK) の4つのモードを1つのオープンソースUPFで比較した。 SD-Core BESS-UPFは、Canonical KubernetesのIntel XXV710 NICs上のCharmedオペレータとしてデプロイされ、同じGTP-U/PDR/FAR/QERパイプラインを各モードで実行し、BESSポートドライバだけを変更します。 各モードでアーキテクチャ、データパス、メモリモデル、デプロイメント要件を説明し、スループット、レイテンシ、CPU使用量、安定性を測定します。 64BのXXV710/i40eテストベッド(RFC 2544あたりNDR)では、AF_PACKETが0.25Mpps、CNDP 5.52およびAF_XDP 6.47Mppsが2人の労働者で、PDK 10.30Mppsが4人の労働者で、13.09Mppsが8人の労働者で、最低レイテンシ(8.1マイクロ秒)である。 DPDKの利点は、vfio-pci 上のネイティブ PMD が、CNDP と AF_XDP を2つのワーカーにピン留めするネットワーク毎の AF_XDP ソケット制限を回避し、パッケージごとの効率が向上しないため、スケーリングシーリング効果である。 CNDPとAF_XDPは、巨大なページ、vfio-pci、分離されたコアが満足できないクラウドネイティブなスイートスポットである。 さらに、DPDKスループットを半減させるKubernetesの制限.cpuミスセットなど、合成ベンチマークに欠けるデプロイメントの落とし穴も文書化しています。 この論文は、クラウドネイティブな5Gデプロイメントにおいて、UPFデータプレーンモードを選択するオペレータのためのサイドバイサイドリファレンスである。

関連論文リスト

• Network-Aware Forecasting on Wireless Access Points [0.9558392439655014]
  エンタープライズ無線アクセスポイント(AP)は予測機械学習(ML)のための有望なプラットフォームである 推論はAPのCPUとメモリをパケット処理、Wi-FiおよびIoT無線操作、クライアント管理と共有する必要がある。 このリソース競合は2つのリスクを生み出します – プロキシハードウェアでうまく動作するモデルがターゲットAPでは遅すぎるかも知れませんし,分離されたモデルがロード中のネットワークサービスを劣化させる場合もあります。
  論文  参考訳（メタデータ） (2026-09-02T00:19:58Z)
• PhyAI: Real-Time Physical AI at the Edge, Scalable Rollouts in the Cloud [19.027069678233655]
  PhyAIは、単一のランタイムを持つ物理AI推論エンジンである。 単一のまたは複数のGPU上でビジョン言語アクション(VLA)モデルとワールドアクションモデル(WAM)を実行する。 pi0、pi0.5、GR00T N1.7、MiniCPM-Robotの公式実装よりも1.40x-4.65xのスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-08-04T13:53:48Z)
• OpenURMA: A Clean-Room Open Implementation of the Unified Bus Protocol [0.3951796994513004]
  OpenURMAはHuaweiのUnified Bus(UB)の最初のクリーンルームオープン実装である UBはアプリケーション毎のエンドポイント状態をホストごとのトランスポート状態から切り離す。 ローカルCPUのロード/ストアからオンチップバスコントローラへリモートメモリに到達する。
  論文  参考訳（メタデータ） (2026-05-27T16:38:57Z)
• Profiling-Driven Adaptive Distributed Transformer Inference on Embedded Edge Deployment [60.442064966340524]
  本稿では、WiFi経由で接続されたNVIDIA Jetson Orin Nanoデバイスに関するプロトタイプ研究を行う。 主な発見は、主なボトルネックは、ネットワーク帯域幅だけでなく、通信中のCPU-GPUステージングである。 実験によると、この戦略はフルテンソル交換と比較して遅延を65%-77%減らし、エネルギー消費を34%-52%減らしている。
  論文  参考訳（メタデータ） (2026-05-25T10:39:28Z)
• LongLive-2.0: An NVFP4 Parallel Infrastructure for Long Video Generation [84.86814271505109]
  LongLive-2.0は、長いビデオ生成の完全なトレーニングと推論ワークフロー全体を通じて、NVFP4ベースの並列インフラストラクチャである。 トレーニングには,quence-parallel autoregressive (AR) トレーニングを導入する。 実験ではトレーニングで2.15倍、推論で1.84倍のスピードアップを示す。
  論文  参考訳（メタデータ） (2026-05-18T17:57:03Z)
• LoPA: Scaling dLLM Inference via Lookahead Parallel Decoding [53.46134917935135]
  Lookahead PArallel Decoding LoPAは、訓練不要のプラグイン・アンド・プレイアルゴリズムで、優れたToken Filling Order(TFO)を識別する。 LoPAは並列ブランチを通じて、異なる候補TFOを同時に探索し、ブランチの信頼性に基づいて、将来の並列性に対して最も高い可能性を持つものを選択する。 特に,LoPAはD2F-DreamのTPFをGSM8K上で10.1に向上させ,Dreamベースラインよりも優れた性能を維持した。
  論文  参考訳（メタデータ） (2025-12-18T06:22:01Z)
• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• DORY: Automatic End-to-End Deployment of Real-World DNNs on Low-Cost IoT MCUs [6.403349961091506]
  低コストのMCUベースのエンドノードはオンチップメモリが限られており、キャッシュをスクラッチパッドで置き換えることが多い。 DORYは、通常1MB以下のオンチップメモリを持つ低価格のMCUにデプロイする自動ツールである。
  論文  参考訳（メタデータ） (2020-08-17T07:30:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。