A+A-ContrastAcessibilidade
EnglishPortuguese
Buscar
07 Out
14:00 Defesa de Mestrado Integralmente a distância
Tema
Admission Control and Resource Allocation in 5G Network Slicing
Aluno
William Fernando Villota Jácome
Orientador / Docente
Nelson Luis Saldanha da Fonseca
Breve 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 gerenciar a 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 sub-ótimas, 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.
Banca examinadora
Titulares:
Nelson Luis Saldanha da Fonseca IC/UNICAMP
Christian Rodolfo Esteve Rothenberg FEEC/UNICAMP
Edmundo Roberto Mauro Madeira IC/UNICAMP
Suplentes:
Leandro Aparecido Villas IC/UNICAMP
Marcelo Caggiani Luizelli UNIPAMPA