Intent-based radio resource scheduling in ran slicing scenarios using reinforcement learning

O fatiamento da rede móvel no domínio da rede de acesso requer elasticidade, compartilhamento de recursos de forma eficiente e customização para lidar com a escassez e limitação dos recursos de rádio enquanto cumpre as intenões das fatias de rede definidas em um contrato de nível de servico. Nesse cenário, o alocador de recursos de rádio é essencial para prover a administração de recursos a fim de prevenir as violações de intenções de rede, e consequentemente oferecer recursos de rádio suficientes para as fatias de rede de acesso cumprirem seus objetivos. A grande variedade de cenaários suportados nas redes 5G e pós-5G torna o problema da alocação de recursos de rádio em cenários de fatiamento da rede de acesso ainda mais desafiador. Essa tese propõe investigar um alocador de recursos de rádio baseado nas intenções das fatias de rede de acesso, utilizando aprendizado por reforço para cumprir as intenções de rede. O método proposto tem por objetivo prevenir as violações de intenções de rede através da administração de recursos de rádio disponíveis entre as fatias de rede de acesso e usuários usando um alocador de recursos de rádio entre as fatias de rede e outro para os usuários dentro da fatia de rede. Esta tese também descreve uma estrutura para priorização de fatias de rede para assegurar os requisitos definidos nas intenções de rede para as fatias mais importantes quando os recursos de rádio não são suficientes para garantir todas as intenções de rede requisitadas. Esta tese apresenta os resultados obtidos usando um alocador de recursos de rádio baseado nas intenções das fatias de rede de acesso, utilizando aprendizado por reforco para um número fixo de fatias de rede e também para múltiplos cenários de rede para evitar violações de intenções de rede, e demonstra a importância de um alocador de recursos de rádio baseado nas intenções das fatias de rede em cenário com fatiamento da rede de acesso. O método proposto apresentou melhor desempenho em comparação aos métodos da literatura avaliados tanto na proteção de slices prioritários quanto na minimização do número total de violações.