Please use this identifier to cite or link to this item: http://repositorio.ufpa.br:8080/jspui/handle/2011/11931
metadata.dc.type: Tese
Issue Date: 21-Aug-2019
metadata.dc.creator: BATISTA, Pedro dos Santos
metadata.dc.contributor.advisor1: KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha
Title: Network slice admission using reinforcement learning and information-centric networking for mobile networks
Other Titles: Admissão de fatia de rede usando aprendizado reforçado e redes centradas em informações para redes móveis
Citation: BATISTA, Pedro dos Santos. Network slice admission using reinforcement learning and information-centric networking for mobile networks. Orientador: Aldebaro Barreto da Rocha Klautau Júnior. 2019. 98 f. Tese (Doutorado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em: . Acesso em:.
metadata.dc.description.resumo: A evolução das redes móveis mais populares atualmente (4G), as 5G, tem como um dos objetivos suportar aumento de tráfego e ao mesmo tempo diminuir o custo. Assim otimização na entrega de conteúdo é importante para essa nova rede; um outro aspecto é que 5G tem a ambição de ser uma rede altamente adaptável, isto é, ela deve ser confiável o suficiente para ser utilizada em automação industrial e ao mesmo tempo barata o suficiente para ser usada em serviços de banda larga. Nesse contexto, esta tese estuda dois aspectos do 5G, o primeiro é o emprego de redes orientadas a conteúdo (ICN) para melhorar a eficiência de entrega de conteúdo multimídia em serviços de banda larga móvel; o segundo é o desenvolvimento de um agente que utiliza aprendizado por reforço como um facilitador para as novas redes altamente configuráveis, as quais podem se tornar um desafio para serem entendidas e configuradas manualmente. O ICN tem como objetivo circunver vários problemas do atual protocolo de internet, dentre eles, uma entrega de conteúdo mais eficiente. Dado significativa taxa de crescimento de transmissão de vídeos em redes móveis, é sensível avaliar como as redes 4G/5G podem se beneficiar de ICN. Existem muitos trabalhos que avaliam o emprego de ICN em redes fixas e para o núcleo das redes móveis. Menos atenção tem sido dedicada ao emprego de ICN nas redes de acesso a rádio (RAN) ou ICN-RAN. Este trabalho descreve o emprego de ICN na RAN de 4G/5G, e também apresenta uma bancada de testes que permite o desenvolvimento de provas de conceitos usando ICN-RAN em 4G. Os resultados indicam, por exemplo, que a avaliação de diversas funcionalidades de ICN podem ser realizadas, mas que a falta de aceleradores de hardware e código otimizado limitam a taxa de bit que pode ser alcançada em tempo real. No contexto de adaptação da rede, a tecnologia mais promissora é o fatiamento da rede. Fatia de rede pode ser entendida como parte da rede que é personalizada para determinados serviços. Os requisitos de cada serviço são impostos pelo inquilino, o qual adquire fatias do provedor de infraestrutura. O provedor de infraestrutura 5G tem que otimizar a utilização de seus recursos, costumeiramente essa utilização é aumentada ao admitir fatias, porém, os recursos na infraestrutura são finitos e admitir todas as fatias pode aumentar o risco de violação de acordos de prestação de serviços, o que implica em multas que podem diminuir o lucro. Nesta tese, é investigado o uso de um agente treinado por aprendizado por reforço que aprende como aumentar o lucro do provedor de infraestrutura. Tal agente, baseado em redes neurais, aprende as consequências da admissão de fatias na rede baseado no inquilino e no seu perfil de utilização de recursos, aprendendo assim, a balancear os benéficos da admissão em contraste com os custos de orquestração e gerenciamento de recursos.
Abstract: The evolution of the current most popular mobile network (4G), the so-called 5G, is targeting an increased traffic load at a lower cost. Thus, optimization of the delivery network plays an essential role at 5G; another aspect of the evolution is that 5G has the ambition to be highly customized, e.g., reliable enough to be used in industrial automation and cheap enough to be used for mobile broadband services. In this context, this thesis assesses two aspects of 5G: the first is to use information-centric networking (ICN) to improve the efficiency of multimedia delivery in mobile broadband services; and the second is the application of a reinforcement learning strategy as an enabler for the highly configurable network, which could pose a challenge to be understood and configured manually. ICN aims at circumventing several issues of current internet protocol, among them, achieving a more efficient multimedia distribution. Given the significant growth rate of video transmission over mobile networks, it is sensible to consider how mobile networks can leverage ICN. There is a substantial body of work considering ICN for fixed networks and also for the core of mobile networks. Less attention has been dedicated to ICN on the radio access network (RAN) or ICN-RAN, which has currently a user plane based on many connection-oriented protocols. To fully benefit from ICN, mobile networks must enable it on the RAN, not only on the core. This work details an ICN deployment on the RAN of the fourth and fifth generation of mobile networks and also presents a testbed that enables proofs of concept of this ICN-RAN using 4G. The results indicate, for example, that evolving ICN features can be tested with currently available tools, but the lack of hardware accelerators and optimized code limit the bit rate that can be achieved in real-time processing. In the context of network customization, the most prominent enablers are the so-called network slices. Slices can be understood as a part of the network that is customized to deliver certain services. The service requirements are imposed by the tenant, which acquire slices from an infrastructure provider. The 5G infrastructure provider must optimize the infrastructure resource utilization, usually admitting as many slices as possible. However, infrastructure resources are finite and admitting all the slices could increase the probability of service level agreement violation. This thesis investigates the application of reinforcement learning agents that learn how to increase the infrastructure provider revenue by intelligently admitting network slices that bring the most revenue to the system. We present a neural networks-driven agent for network slice admission that learns the characteristics of the slices deployed by the tenants from their resource requirements profile and balances the benefits of slice admission against orchestration and resource management costs.
Keywords: Fatiamento de rede
Rede centrada em informações
Redes moveis
Redes orientadas a conteúdo
metadata.dc.subject.areadeconcentracao: TELECOMUNICAÇÕES
metadata.dc.subject.linhadepesquisa: INTELIGÊNCIA COMPUTACIONAL
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal do Pará
metadata.dc.publisher.initials: UFPA
metadata.dc.publisher.department: Instituto de Tecnologia
metadata.dc.publisher.program: Programa de Pós-Graduação em Engenharia Elétrica
metadata.dc.rights: Acesso Aberto
metadata.dc.source: 1 CD-ROM
Appears in Collections:Teses em Engenharia Elétrica (Doutorado) - PPGEE/ITEC

Files in This Item:
File Description SizeFormat 
Tese_NetworkSliceAdmission.pdf3,15 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons