Alocação de recursos e posicionamento de funções virtualizadas em redes de acesso por rádio desagregadas

Página do item simplificado
dc.contributor.advisor-co1Pinto, Leizer de Lima
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/0611031507120144
dc.contributor.advisor1Cardoso, Kleber Vieira
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/0268732896111424
dc.contributor.referee1Cardoso, Kleber Vieira
dc.contributor.referee2Pinto, Leizer de Lima
dc.contributor.referee3Klautau Júnior, Aldebaro Barreto da Rocha
dc.contributor.referee4Silva, Luiz Antonio Pereira da
dc.creatorAlmeida, Gabriel Matheus Faria de
dc.creator.Latteshttp://lattes.cnpq.br/8866615259667788
dc.date.accessioned2023-10-16T14:00:35Z
dc.date.available2023-10-16T14:00:35Z
dc.date.issued2023-08-30
dc.description.abstractJointly choosing a functional split of the protocol stack and placement of network functions in a virtualized RAN is critical to efficiently using the access network resources. This problem represents a current research topic in 5G and Post-5G networks, which involves the challenge of simultaneously choosing the placement of virtualized functions, the routes for traffic and the management of available computing resources. In this work, we present three approaches to solve this problem considering the planning scenario and two approaches considering the network operation scenario. The first result is a Mixed Integer Linear Programming (MILP) model, considering a generic set of processing nodes and multipath routing. The second approach uses artificial intelligence and machine learning concepts, in which we formulate a deep reinforcement learning agent. The third approach used is based on search meta-heuristics, through a genetic algorithm. The last two approaches are Markov Decision Process (MDP) formulations that consider dynamic demand on radio units. In all formulations, the objective is to maximize the network function’s centralization while minimizing positioning cost. Analysis of the solutions and comparison of their results show that exact approaches such as MILP naturally provide the best solution. However, in terms of efficiency, the genetic algorithm has the best search time, finding a high quality solution in a few seconds. The deep reinforcement learning agent presents a high convergence, finding high quality solutions for the problem and showing problem generalization capacity with different topologies. Finally, the formulations considering the network operation scenario with dynamic demand are highly complex due to the size of the action spaceeng
dc.description.provenanceSubmitted by Dayane Basílio (dayanebasilio@ufg.br) on 2023-10-06T15:09:03Z workflow start=Step: editstep - action:claimaction No. of bitstreams: 2 Dissertação - Gabriel Matheus Faria de Almeida - 2023.pdf: 3518023 bytes, checksum: 792310de2f9f105158cd53873c0e0cc9 (MD5) license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5)en
dc.description.provenanceStep: editstep - action:editaction Approved for entry into archive by Luciana Ferreira(lucgeral@gmail.com) on 2023-10-16T14:00:34Z (GMT)en
dc.description.provenanceMade available in DSpace on 2023-10-16T14:00:35Z (GMT). No. of bitstreams: 2 Dissertação - Gabriel Matheus Faria de Almeida - 2023.pdf: 3518023 bytes, checksum: 792310de2f9f105158cd53873c0e0cc9 (MD5) license_rdf: 805 bytes, checksum: 4460e5956bc1d1639be9ae6146a50347 (MD5) Previous issue date: 2023-08-30en
dc.description.resumoA escolha conjunta de divisão funcional e o posicionamento das funções virtualizadas na rede de acesso são essenciais para o uso eficiente dos seus recursos. Esse problema representa um tema de pesquisa atual em redes 5G e Pós-5G, o qual envolve o desafio de escolher simultaneamente o posicionamento das funções virtualizadas, as rotas para o tráfego e o gerenciamento de recursos de computação disponíveis. Neste trabalho, nós apresentamos três abordagens para resolver este problema considerando o cenário de planejamento e duas abordagens considerando o cenário de operação da rede. O primeiro resultado é um modelo de Programação Linear Inteira Mista (MILP), considerando um conjunto genérico de nós de processamento e divisão de carga em múltiplas rotas. A segunda abordagem utiliza conceitos de inteligência artificial e aprendizado de máquina, em que formulamos um agente de aprendizado por reforço profundo. A terceira abordagem utilizada é baseada em meta-heurísticas de busca, via um algoritmo genético. As duas últimas abordagens são formulações de Processos de Decisão de Markov (MDP) que consideram demanda dinâmica nas unidades de rádio. Em todas as formulações, o objetivo é maximizar a centralização de funções da rede enquanto minimiza o custo da solução. A análise das soluções e a comparação de seus resultados mostram que abordagens exatas, tais como nosso MILP, naturalmente, apresentam a melhor solução. Entretanto, em termos de eficiência, o algoritmo genético apresenta o melhor tempo de busca encontrando uma solução de alta qualidade em alguns segundos. O agente de aprendizado por reforço profundo apresenta uma alta convergência, encontrando soluções com alta qualidade para o problema e mostrando capacidade de generalização do problema com topologias diferentes. Por fim, as formulações considerando o cenário de operação da rede com demanda dinâmica apresentam alta complexidade devido ao tamanho do espaço de ações
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES
dc.identifier.citationALMEIDA, G. M. F. Alocação de recursos e posicionamento de funções virtualizadas em redes de acesso por rádio desagregadas. 2023. 75 f. Disseretação (Mestrado em Ciência da Computação) - Instituto de Informática, Universidade Federal de Goiás, Goiânia, 2023.
dc.identifier.urihttp://repositorio.bc.ufg.br/tede/handle/tede/13055
dc.languagepor
dc.publisherUniversidade Federal de Goiás
dc.publisher.countryBrasil
dc.publisher.departmentInstituto de Informática - INF (RG)
dc.publisher.initialsUFG
dc.publisher.programPrograma de Pós-graduação em Ciência da Computação (INF)
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internationalen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectRedes de acesso por rádio virtualizadaspor
dc.subjectPosicionamento de funções virtualizadaspor
dc.subjectDivisão funcional da pilha de rádiopor
dc.subjectAlocação de recursospor
dc.subjectOtimizaçãopor
dc.subjectAprendizado por reforço profundopor
dc.subjectAlgoritmo genéticopor
dc.subjectVirtualized radio access networkeng
dc.subjectVirtualized function placementeng
dc.subjectRadio stack functional splitseng
dc.subjectResource allocationeng
dc.subjectOptimizationeng
dc.subjectDeep reinforcement learningeng
dc.subjectGenetic algorithmeng
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
dc.titleAlocação de recursos e posicionamento de funções virtualizadas em redes de acesso por rádio desagregadas
dc.title.alternativeResource allocation and virtualized functions placement in disaggregated radio access networkspor
dc.typeDissertação

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Dissertação - Gabriel Matheus Faria de Almeida - 2023.pdf
Tamanho:
3.36 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Mestrado em Ciência da Computação (INF)