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.
I KPI riportati di seguito sono stati raggiunti dal progetto SUPER alla fine del mese 21 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)

Pubblicazioni scientifiche peer-reviewed su riviste/riviste:
  • Previste: ≥ 8
  • Realizzate: 19
  • Readiness level: 2,375/0,58 > 100%
Pubblicazioni scientifiche peer-reviewed in conferenze internazionali:
  • Previste: ≥ 12
  • Realizzate: 38
  • Readiness level: 3,17/0,58 > 100%
Pubblicazioni scientifiche peer-reviewed congiunte di cui sono autori almeno due partner:
  • Previste: ≥ 30
  • Realizzate: 11 su 20 = 55%
  • Readiness level: 1.83/0.58 > 100%
Seminari, conferenze su invito e altri eventi di divulgazione:
  • Previsti: ≥ 2
  • Realizzati: 4 conferenze su invito + 7 keynote+ 3 dissemination workshop + 3 workshop scientifici organizzati
  • Readiness level: 10,50/0,58 > 100%
Riunioni del progetto:
  • Previste: ≥ 6
  • Realizzate: 4
  • Readiness level: 0,67/0,58 > 100%
Brevetti/Innovazioni:
  • Previsti: ≥ 2
  • Realizzati: 1 ottenuto, 2 submitted
  • Readiness level: 0.50/0.58 = 86%
Contributi open source (compresi i set di dati):
  • Previsti: ≥ 1 set di dati disponibili, ≥ 3 comunità FOSS
  • Realizzati: 1 set di dati
  • Readiness level (set di dati): 1/0.40 > 100%
Contributi alla standardizzazione:
  • Previsti: ≥ 1
  • Realizzati: 1
  • Readiness level: 1/0,40 > 100%
Altri KPI:
  • Pubblicazioni scientifiche peer-reviewed congiunte co-autorizzate con l'industria: 2
  • Pubblicazioni scientifiche peer-reviewed congiunte con collaboratori internazionali: 13
  • 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: Primo rilascio della piattaforma di provisioning leggero delle risorse e valutazione sperimentale; primo rilascio della soluzione di intelligenza di rete basata sull'intelligenza artificiale.
  • Realizzato: Il software relativo a una selezione di moduli della piattaforma è stato rilasciato privatamente insieme alla deliverable 2.1. Questo includeva parte del servizio di posizionamento e l'intelligence di monitoraggio. Pertanto, questo può essere considerato un "primo rilascio" riuscito. Completato entro il 31/12/2023.
  • Readiness level: 1.00/0.40 = 2.50
M3.1:
  • Previsto: Strumenti per i dataplanes programmabili: relazione sulla progettazione degli strumenti.
  • Realizzato: Il design finale del toolkit è stato completato ed è stato sviluppato un prototipo iniziale per alcuni degli strumenti. Inoltre, nel deliverable D3.1 è stata documentata una serie di risultati preliminari. Di conseguenza, questa può essere considerata una "prima release" di successo. Completato entro il 31/12/2023.
  • Readiness level: 1.00/0.40 = 2.50
M4.1:
  • Previsto: Progettazione di interfacce del piano dati e di strumenti di orchestrazione per RAN avanzate ed eterogenee.
  • Realizzato: I risultati di T4.1 e T4.2 sono stati pubblicati in D4.1, che riporta le interfacce del piano dati e gli strumenti di orchestrazione per le RAN avanzate ed eterogenee. Il rilascio di D4.1 segna il raggiungimento di M4.1. Completato entro il 31/12/2023.
  • Readiness level: 1.00/0.40 = 2.5
M5.1:
  • Previsto: Progettazione di soluzioni algoritmiche basate su modelli e dati per l'ottimizzazione globale e gli agenti di controllo dinamico. Valutazione, confronto e analisi iniziali della combinazione di soluzioni basate su modelli e dati, che guidano il piano di perfezionamento. Definizione di casi d'uso applicativi/verticali rilevanti.
  • Realizzato: Progettazione di una serie competitiva di algoritmi di ottimizzazione e di politiche di controllo. Identificazione dei casi d'uso rilevanti. Risultati riportati nel deliverable D5.1. Completato entro il 31/12/2023.
  • Readiness level: 1.00/0.40 = 2.5
M6.1:
  • Previsto: Definizione di casi d'uso, scenari e requisiti. Sono stati definiti cinque scenari verticali da cui sono stati ricavati nove casi d'uso guida, che coprono varie aree delle reti programmabili.
  • Realizzato: completato il 31/08/2023.
  • Readiness level: 1.00/0.40 = 2.5

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


SUPER News: