A carregar...
Publicação
Dynamic Network Slicing Using Deep Reinforcement Learning
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4.47 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Nowadays network slicing is one of the biggest drivers of new elements in the 5G network
business. This is because this paradigm allows the creation of independent slices, with
their virtually and logically separated radio, network and computational resources.
Using network slicing, operators sell infrastructure resources of any kind to tenants,
while tenants use these resources to sell services to their customers, the end users. In
this context, a problem that is essential to solve is how to improve the operator’s profit,
ensuring compliance with the requests’ SLAs and distributing network resources in order
to increase its usage rate.
This dissertation proposes to design two algorithms based on DRL for slice admission
in the transport network, learning which request to accept and reject while guaranteeing
the requirements of the tenants requests. The contributions of this study start with the
formalization of the problem of slice admission, followed by its simulation and implementation
of DRL agents using Containernet, the Ryu controller, OpenAI Gym and the
PyTorch framework. The result is two DRL-based algorithms capable of achieving good
performances in this simulated scenario.
Atualmente o network slicing é um dos maiores potenciadores de novos elementos no negócio das redes 5G. Isto deve-se ao facto de este paradigma permitir a criação de slices independentes, com os seus recursos rádio, de rede e computacionais virtual e logicamente separados. Utilizando network slicing, as operadoras poderão vender recursos de infraestrutura de qualquer tipo a tenants. Os tenants utilizam estes recursos para vender serviços aos seus clientes, os utilizadores finais. Neste contexto, um problema que é fundamental resolver é o de como melhorar o lucro da operadora, garantindo o cumprimento dos SLAs dos pedidos e distribuindo os recursos da rede de forma a aumentar a sua utilização. Nesta dissertação propõe-se desenhar dois algoritmos baseados em DRL para a admissão de slices na rede de transporte, aprendendo que pedidos aceitar e rejeitar, procurando satisfazer sempre os requisitos dos pedidos dos tenants. Os contributos deste estudo passam pela formalização do problema da admissão de slices na rede, seguindo-se a sua simulação e implementação dos agentes utilizando conjuntamente o Containernet, o controlador Ryu, o OpenAI Gym e o framework PyTorch. O resultado são dois algoritmos baseados em DRL capazes de atingir boas performances neste cenário simulado.
Atualmente o network slicing é um dos maiores potenciadores de novos elementos no negócio das redes 5G. Isto deve-se ao facto de este paradigma permitir a criação de slices independentes, com os seus recursos rádio, de rede e computacionais virtual e logicamente separados. Utilizando network slicing, as operadoras poderão vender recursos de infraestrutura de qualquer tipo a tenants. Os tenants utilizam estes recursos para vender serviços aos seus clientes, os utilizadores finais. Neste contexto, um problema que é fundamental resolver é o de como melhorar o lucro da operadora, garantindo o cumprimento dos SLAs dos pedidos e distribuindo os recursos da rede de forma a aumentar a sua utilização. Nesta dissertação propõe-se desenhar dois algoritmos baseados em DRL para a admissão de slices na rede de transporte, aprendendo que pedidos aceitar e rejeitar, procurando satisfazer sempre os requisitos dos pedidos dos tenants. Os contributos deste estudo passam pela formalização do problema da admissão de slices na rede, seguindo-se a sua simulação e implementação dos agentes utilizando conjuntamente o Containernet, o controlador Ryu, o OpenAI Gym e o framework PyTorch. O resultado são dois algoritmos baseados em DRL capazes de atingir boas performances neste cenário simulado.
Descrição
Palavras-chave
Network slicing Deep Reinforcement Learning Admission Control