Orientadores: Nelson Luis Saldanha da Fonseca, Oscar Mauricio Caicedo Rendon

Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação

Resumo: A infraestrutura dos provedores de serviços de redes 5G receberá requisições para implementação de fatias de rede (do Inglês, network slices) solicitadas por usuários com diferentes requisitos de qualidade de serviço (QoS). Considerando que os recursos no substrato da rede são finitos e os...

Resumo: A infraestrutura dos provedores de serviços de redes 5G receberá requisições para implementação de fatias de rede (do Inglês, network slices) solicitadas por usuários com diferentes requisitos de qualidade de serviço (QoS). Considerando que os recursos no substrato da rede são finitos e os casos de uso de 5G têm requisitos de QoS heterogêneos, bem como custos de implantação específicos, os provedores de serviço precisam gerenciara admissão dessas requisições, bem como alocar recursos para que a utilização destes seja eficiente. Diferentes abordagens lidam com o controle de admissão e alocação de recursos em redes 5G utilizando diferentes referenciais teóricos tais como Teoria de Filas, Teoria de Redes Complexas, e Otimização. No entanto, essas abordagens propõem a tomada de decisões de admissão considerando requisições individuais, o que pode levar a decisões subótimas, uma vez que as requisições mais lucrativas que chegam em futuro breve após a admissão de uma requisição podem ser rejeitadas devido à indisponibilidade de recursos recentemente alocados. Além disso, a maioria dessas abordagens não considera os requisitos específicos de QoS de cada caso de uso da especificação de redes 5G, nem a alocação de recursos em nós do núcleo e da borda da rede. Diversas outras soluções consideram apenas a alocação de recursos sem considerar o controle de admissão, ignorando, assim, interesses múltiplos dos provedores. Nesta tese, são propostas duas soluções para realização conjunta do controle de admissão e da alocação de recursos para o fatiamento de redes 5G. A primeira solução é baseada em Aprendizado por Reforço, que permite o aprendizagem da admissão de requisições de fatia de rede visando o lucro dos provedores. A segunda solução, baseada em Aprendizado por Reforço Profundo, almeja aperfeiçoar ainda mais o alcance dos objetivos dos provedores. A alocação de recursos nessas soluções é realizada por um mapeamento de nós virtuais nos nós físicos da rede seguido de um mapeamento dos enlaces virtuais em enlaces físicos. Consideram-se, nesses mapeamentos, os requisitos de QoS das classes de serviço eMBB, URLLC e MIoT da tecnologia 5G. As soluções propostas foram avaliadas para diferentes condições de tráfego e topologias de redes. Os resultados da avaliação corroboram que as propostas produzem melhores resultados do que as heurísticas Always Admit Requests e Node Ranking tendo como parâmetro de comparação o lucro e a utilização de recursos. Resultados evidenciam a efetividade do uso de técnicas de Aprendizado por Reforço e Aprendizado por Reforço Profundo para o gerenciamento de requisições de fatia de rede em redes 5G

Abstract: 5G Network Service Providers will receive myriads of network slice requests generated by multiple tenants.vConsidering that the resources in the network substrate are finite and 5G use cases have particular QoS requirements as well as different deployment costs, providers need to control...

Abstract: 5G Network Service Providers will receive myriads of network slice requests generated by multiple tenants.vConsidering that the resources in the network substrate are finite and 5G use cases have particular QoS requirements as well as different deployment costs, providers need to control the admission and allocate resources efficiently for such slice requests. Several approaches have addressed admission control and resource allocations in 5G by different techniques such as Queuing Theory, Complex Network Theory, Big Data, Heuristics, Integer Linear Programming, Reinforcement Learning, and recently, Deep Reinforcement Learning. Nevertheless, the approaches mentioned above propose making admission decisions considering individual requests, which can lead to sub-optimal decisions since more profitable requests arriving in the short term can be rejected due to the unavailability of resources recently allocated. Moreover, most of these proposals neither consider the particularities of the QoS requirements of different service types (use cases) nor the allocation of resources in 5G core and edge nodes. Several other solutions based on heuristics, Queuing Theory, and Complex Network Theory have considered only resource allocation and neglected admission control, which prevents the achievement of the provider's goals. In this thesis, we propose two solutions to jointly perform admission control and resource allocation in 5G Network Slicing. The first solution is based on Reinforcement Learning, which allows learning to admit 5G network slice requests in such a way that optimizes the profit to service providers. The second solution is based on Deep Reinforcement Learning aimed at further optimizing the proposed objective. Resource allocation in both solutions is carried out by node mapping and link mapping steps that assign substrate network resources to requests while accomplishing their QoS requirements according to the 5G use case (i.e., eMBB, URLLC, and MIoT) to which they belong. Our solutions are assessed for different requests arrival rates and on topologies of distinct sizes. The evaluation results corroborate that we outperform the heuristics Always Admit Requests and Node Ranking regarding mean profit and overall resource utilization, and demonstrate the convenience of using Reinforcement Learning and Deep Reinforcement Learning to manage the admission of network slice requests in 5G

Requisitos do sistema: Software para leitura de arquivo em PDF