Método de otimização da alocação de redes virtuais na estrutura física de uma rede substrato utilizando aprendizado por reforço
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Dissertação
Data
2021
Autores
Moreira, C. L.
Orientador
Bianchi, Reinaldo Augusto da Costa
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
MOREIRA, C. L.; BIANCHI, Reinaldo Augusto da Costa. Método de otimização da alocação de redes virtuais na estrutura física de uma rede substrato utilizando aprendizado por reforço. 2021. 142 p. Dissertação (Mestrado em engenharia Mecânica) - Centro Universitário FEI, São Bernardo do Campo, 2021 Disponível em: https://doi.org/10.31414/EE.2021.D.131377.
Texto completo (DOI)
Palavras-chave
aprendizado por reforço,redes de quinta geração,fatiamento de rede,alocação de redes virtuais,computação de borda
Resumo
As tecnologias 5G possibilitaram novas aplicações em uma infraestrutura de
computação de borda que visa atender uma demanda heterogênea e distribuída que unifica
hardware, rede e software voltados para habilitação digital. Baseada nos requisitos da Indústria
4.0, esta infraestrutura habilitadora introduz o conceito de fatiamento da rede (Network Slicing),
um recurso fundamental que transforma a rede de um paradigma estático em um novo
paradigma onde as redes são lógicas, utilizando o modelo de compartilhamento de computação
em nuvem e névoa, que deve atender às necessidades de acordos de nível de serviço de forma
conveniente e otimizada, exigindo um mecanismo de orquestração para a alocação dinâmica de
recursos. Entre esses mecanismos, a incorporação de redes virtuais (VNE) e o gerenciamento
dinâmico de recursos (DRM) têm mostrado uma maneira de definir onde e como a tecnologia
de computação em névoa deve ser usada. Este trabalho propõe um algoritmo de alocação de
recursos, o VNE_CRS, que utiliza uma técnica de inteligência artificial chamada aprendizado
por reforço para orquestrar múltiplos domínios da infraestrutura de uma rede 5G, beneficiandose
de sua característica de considerar todo o problema, fim a fim, utilizando diferentes aspectos
do Indice de Qualidade de Serviço 5G (5QIs). Experimentos foram realizados em simulação
comparando o VNE_CRS com algoritmos do estado da arte para alocação VNE em ambiente
Edge de múltiplos domínios. Os resultados mostraram que o uso de técnicas de aprendizado por
reforço para alocação de recursos de VNE apresentou ganhos de desempenho. Ele pode não
apenas simplificar a arquitetura VNE, mas também atuar como um sistema de orquestração
completo que visa os resultados estratégicos de longo prazo
5G technologies have enabled new applications on a heterogeneous and distributed Edge infrastructure which unifies hardware, network and software aimed at digital enabling. Based on requirements of Industry 4.0, this infrastructure introduces the concept of network slicing, a fundamental resource that transforms the network from a static paradigm into a new paradigm where networks are logical, developed using Cloud and fog computing sharing model, which should meet the needs of service level agreements in a convenient and optimized way, requiring an orchestration mechanism for the dynamic resource allocation. Among these mechanisms, virtual networks embedding (VNE) and dynamic resource management (DRM) have shown a way to define where and how Edge technology should be used. This paper proposes a resource allocation algorithm, VNE_CRS, which uses an artificial intelligence technique called reinforcement learning to orchestrate multiple domains, benefiting from its characteristic of considering the whole problem, end-to-end, using different aspects of 5G Quality of Service Indicator (5QIs). Experiments were carried out in simulation comparing VNE_CRS with stateof- the-art algorithms for multi domains Edge environment. Results have shown that the usage of reinforcement learning techniques to VNE resource allocation has shown performance gains. It can not only simplify the VNE architecture but also act as a full orchestration system that aims at the strategic long run results of whole infrastructure usage
5G technologies have enabled new applications on a heterogeneous and distributed Edge infrastructure which unifies hardware, network and software aimed at digital enabling. Based on requirements of Industry 4.0, this infrastructure introduces the concept of network slicing, a fundamental resource that transforms the network from a static paradigm into a new paradigm where networks are logical, developed using Cloud and fog computing sharing model, which should meet the needs of service level agreements in a convenient and optimized way, requiring an orchestration mechanism for the dynamic resource allocation. Among these mechanisms, virtual networks embedding (VNE) and dynamic resource management (DRM) have shown a way to define where and how Edge technology should be used. This paper proposes a resource allocation algorithm, VNE_CRS, which uses an artificial intelligence technique called reinforcement learning to orchestrate multiple domains, benefiting from its characteristic of considering the whole problem, end-to-end, using different aspects of 5G Quality of Service Indicator (5QIs). Experiments were carried out in simulation comparing VNE_CRS with stateof- the-art algorithms for multi domains Edge environment. Results have shown that the usage of reinforcement learning techniques to VNE resource allocation has shown performance gains. It can not only simplify the VNE architecture but also act as a full orchestration system that aims at the strategic long run results of whole infrastructure usage