Mitigating concept drifts in proactive mobile core scaling via online learning models

As redes móveis passam por constantes mudanças e, a cada geração, novos casos de uso surgem para desafiar a tecnologia atual. Os casos de uso atuais do 5G e do futuro 6G exigem que a rede móvel ofereça maior confiabilidade e baixa latência, desafiando assim toda a rede e, em particular, o núcleo da rede móvel. Para atender a esses requisitos rigorosos, a tecnologia de rede central atual incorpora técnicas de escalabilidade baseadas em modelos de aprendizado de máquina, que permitem antecipar as demandas de tráfego e ajustar proativamente os recursos da rede antes que ocorra qualquer degradação na qualidade do serviço. No entanto, mudanças nos hábitos dos usuários, aplicativos e protocolos de rede podem levar a alterações nos padrões estatísticos do tráfego móvel, um fenômeno conhecido como desvios de conceito. Consequentemente, modelos convencionais de aprendizado de máquina, treinados em dados antigos, tendem a perder precisão ao longo do tempo, o que pode comprometer a adoção de casos de uso com requisitos rigorosos de desempenho. Para superar essa limitação, este estudo avalia o uso de modelos de aprendizado online para o escalabilidade proativa de funções de rede no núcleo de redes móveis. Essa abordagem busca empregar modelos que possam se adaptar continuamente às mudanças na distribuição de tráfego, mantendo previsões consistentes mesmo em cenários sujeitos a desvios de conceito. Como um estudo de caso, esta dissertação de mestrado discute como modelos de aprendizagem online podem ser empregados para aprimorar a escalabilidade da Função de Gerenciamento de Acesso e Mobilidade (AMF) sob diferentes tipos de desvio de conceito. Utilizando tráfego de dados real de uma operadora de telecomunicações, diversos cenários de desvio de conceito foram delineados e uma simulação abrangente de treze estratégias de aprendizagem online foi realizada em um núcleo móvel simulado. Os resultados mostram como as previsões precisas dos modelos online impactam métricas de serviço, como o número de solicitações perdidas e a taxa de ocupação da função. Além disso, o estudo aponta que nem todos os modelos online mantêm boa precisão preditiva sob desvios de conceito no tráfego, o que confirma a importância de testar diferentes modelos.