Network slice admission using reinforcement learning and information-centric networking for mobile networks

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.