Machine-learning defined networking: applications for the 5G metro-core
Sebastian Troìa · 2020
Con l'avvento della tecnologia 5G e una richiesta di traffico in costante aumento, oggi i fornitori di servizi di comunicazione (CSP) sperimentano una progressiva congestione delle loro reti. La complessita operativa, l'uso della configurazione manuale, la natura statica delle tecnologie attuali insieme a profili di traffico in rapida evoluzione portano a: utilizzo inefficiente della rete, eccesso di approvvigionamento di risorse e spese di capitale molto elevate (CapEx) e spese operative (OpEx). Questa situazione sta costringendo i CSP a cambiare le loro tecnologie di rete e hanno iniziato a esaminare nuove soluzioni tecnologiche che aumentano il livello di programmabilita, controllo e flessibilita della configurazione, riducendo al contempo i costi complessivi relativi alle operazioni di rete. Software Defined Networking (SDN) e Network Function Virtualization (NFV) sono accettati come soluzioni efficaci per ridurre CapEx e OpEx e favorire l'innovazione della rete. Sebbene l'implementazione di SDN e NFV nel networking abbia avuto un grande slancio negli ultimi anni, essi portano anche un livello completamente nuovo di complessita. La virtualizzazione suddivide le reti tradizionali in componenti e livelli dinamici che devono funzionare all'unisono e che possono cambiare in qualsiasi momento. L'elevata complessita introdotta da queste nuove tecnologie ha portato alla ricerca di algoritmi sempre piu intelligenti per ottimizzare l'allocazione delle risorse di rete. Questa tesi indaga nuovi algoritmi basati su Machine Learning (ML) al fine di ottimizzare in modo efficiente le risorse nelle reti 5G metro-core SDN/NFV. L'obiettivo principale e fornire al moderno CSP strumenti di ottimizzazione di rete intelligenti e dinamici al fine di soddisfare le esigenze di aumento della domanda di traffico e della tecnologia 5G. Il presente studio puo essere suddiviso in due attivita principali: 1) proporre nuovi algoritmi basati su ML al fine di ottimizzare l'allocazione delle risorse delle reti 5G metro-core SDN/NFV; 2) implementare gli algoritmi proposti in diversi scenari di rete emulati e reali. La prima attivita inizia studiando le tre branche del ML: supervised, unsupervised e reinforcement learning. Sfruttando diversi tipi di dati di rete, sviluppiamo algoritmi supervised al fine di prevedere il traffico di rete nelle reti mobili-metro-core al fine di ottimizzare l'allocazione delle risorse in anticipo e instradare in modo pro-attivo le connessioni. Dopodiche, ci concentriamo su algoritmi unsupervised al fine di identificare i pattern di traffico tipici nelle reti mobili-metro SDN/NFV. Sfruttando questi pattern, l'obiettivo e di prevedere come e quando ottimizzare l'allocazione delle risorse nella rete fisica. Dopo aver studiato le tecniche supervised e unsupervised, ci concentriamo sulle tecniche basate su reinforcement learning con l'obiettivo di costruire un sistema intelligente in grado di ottimizzare l'allocazione delle risorse di rete alla luce delle osservazioni reali e storiche dello stato della rete. Infine, implementiamo algoritmi basati su ML su diversi scenari SDN/NFV (testbed) emulati e reali. Innanzitutto, sviluppiamo il modulo di pianificazione di rete nell'ambito di un progetto Europeo chiamato Metro-Haul, in cui gli algoritmi basati su ML interagiscono con il piano di controllo dell'infrastruttura di orchestrazione SDN/NFV. Quindi, sviluppiamo un orchestratore di servizi SDN/NFV sperimentale chiamato SENATUS, in grado di ospitare e testare rapidamente vari algoritmi ML. Presentiamo due testbed per mostrare la capacita di SENATUS di integrare sia le tecnologie IT che le risorse di rete. Come ultimo, sviluppiamo diversi strumenti di monitoraggio delle prestazioni basati su ML per Enterprise Networking (EN) mediante la tecnologia Software Defined Wide Area Networking (SD-WAN). Quest'ultima, rappresenta un modo rivoluzionario per semplificare le reti aziendali e ottenere prestazioni ottimali delle applicazioni utilizzando la virtualizzazione della rete di trasporto gestita centralmente. In particolare, presentiamo due testbed basati su componenti open source con l'obiettivo di testare algoritmi di monitoraggio delle prestazioni classici e basati su ML.