A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Dissertação
Data
2021
Autores
Araújo Junior, S. R. de
Orientador
Bianchi, Reinaldo Augusto da Costa
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
ARAÚJO JUNIOR, S. R. de. A Profile-Based architecture for traffic forwarding through service function chaining using deep reinforcement learning techniques. 2021. 82 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2021 Disponível em: https://doi.org/10.31414/EE.2021.D.131405.
Texto completo (DOI)
Palavras-chave
encadeamento de funções de serviço,aprendizado por reforço profundo,Redes Móveis de Quinta Geração (5G)
Resumo
Os sistemas de comunicação, como por exemplo as redes móveis de quinta geração (5G)
têm se desenvolvido rapidamente e devido à esta evolução, o uso dos seus recursos tem se tornado
mais complexo. Assim, são necessários novos métodos para a concepção das redes e uma
das tecnologias para tal é o Encadeamento de Funções de Serviço que permite o tráfego através
de Funções de Rede Virtualizadas flexibilizando o uso dos recursos. Entretanto, há alguns
desafios para sua implementação, como por exemplo o volume de dados gerados pelas novas
aplicações. O Aprendizado por Reforço Profundo tem sido usado para resolver diversos problemas
computacionais, inclusive aqueles relacionados às redes de comunicação. Para atingir os
objetivos de otimização de recursos são necessários: a identificação e tratamento do tráfego de
rede e o seu correto roteamento pelos dispositivos. O objetivo deste trabalho é investigar como
as técnicas de Aprendizado por Reforço Profundo combinadas com a arquitetura de Encadeamento
de Funções de Serviços podem proporcionar um mecanismo eficiente de identificação e
roteamento de tráfego baseado em perfis, auxiliando os dispositivos responsáveis pelo controle
da rede a reconhecer comportamentos indesejáveis e tomar as ações necessárias. Para isto, será
proposta uma implementação prática para demonstrar como estas técnicas podem ser aplicadas
Communication systems, such as fifth-generation mobile networks (5G), have developed rapidly, and due to this evolution, the use of their resources has become more complex. Thus, new methods are required to design networks. One of these technologies is the Service Function Chaining (SFC) that allows traffic through Virtualized Network Functions (VNFs), making resources more flexible. However, its implementation has some challenges, such as the volume of data generated by the new applications. Deep Reinforcement Learning (DRL) has been used to solve several computational problems, including those related to communication networks. To achieve the objectives of resource optimization are required: the identification and treatment of network traffic and its correct routing through devices. This work investigates how Deep Reinforcement Learning techniques can be used with the Service Function Chaining architecture to identify and route based on profiles efficiently. That helps the elements responsible for network control recognize undesirable behaviors and take the necessary actions. A practical implementation is proposed to demonstrate how techniques can be applied
Communication systems, such as fifth-generation mobile networks (5G), have developed rapidly, and due to this evolution, the use of their resources has become more complex. Thus, new methods are required to design networks. One of these technologies is the Service Function Chaining (SFC) that allows traffic through Virtualized Network Functions (VNFs), making resources more flexible. However, its implementation has some challenges, such as the volume of data generated by the new applications. Deep Reinforcement Learning (DRL) has been used to solve several computational problems, including those related to communication networks. To achieve the objectives of resource optimization are required: the identification and treatment of network traffic and its correct routing through devices. This work investigates how Deep Reinforcement Learning techniques can be used with the Service Function Chaining architecture to identify and route based on profiles efficiently. That helps the elements responsible for network control recognize undesirable behaviors and take the necessary actions. A practical implementation is proposed to demonstrate how techniques can be applied