Defesa de Dissertação de Mestrado de Giselle Goiz da Silva, em 15/07/2024, às 09:30 horas, por videoconferência
Link para defesa: https://meet.google.com/dtr-bvgm-yva
Smart Network Slicing Management – Gerenciamento de Recursos de Fatias de Redes em Ambientes 5G
Resumo:
A arquitetura baseada em nuvem das redes 5G proporciona maior flexibilidade e agilidade na implantação de novos serviços. Diante desse cenário, um dos principais desafios trazidos pelas redes 5G está relacionado a alocação eficiente de recursos. Eles devem atender a diferentes requisitos de negócios, respeitando os respectivos Service Level Agreement (SLAs). Isso reforça a necessidade de sistemas de gerenciamento inteligentes, que prevejam as oscilações de demanda e tenham capacidade para tomada de decisões, com o mínimo de intervenção humana. Esta dissertação de mestrado apresenta o Smart Network Slicing Manager (SNSM), um sistema autônomo para alocação inteligente de recursos. Ele é capaz de distribuir os recursos computacionais entre as fatias de rede dinamicamente. Para tal, o SNSM dispõe de componentes que empregam algoritmos de ML para classificar e agrupar os fluxos de rede, de acordo com os padrões de tráfego do respectivo Network Slice. Além disso, o SNSM emprega Redes Neurais Recorrentes para previsões dos recursos computacionais necessários às VNFs dos Network Slices. Para validação da solução, o modelo Random Forest foi aplicado em um dataset contendo fluxos de rede uma rede IP real e obteve acurácia de 98,6% na identificação das aplicações. Além disso, foram aplicadas Redes Neurais Recorrentes do tipo LSTM e GRU para previsão de recursos computacionais utilizando um dataset com dados reais de um provedor de nuvem. O sistema foi implementado simulando três Network Slices e alocou com sucesso os recursos necessários para atender a cada um deles, mostrando-se uma solução promissora para alocação dinâmica de recursos em ambientes 5G.
Abstract:
The cloud-based architecture of 5G networks provides greater flexibility and agility in the deployment of new services. Given this scenario, one of the main challenges posed by 5G networks is the efficient allocation of resources. They must meet different business requirements while respecting the respective Service Level Agreements (SLAs). This reinforces the need for intelligent management systems that anticipate fluctuations in demand and have the capacity to make decisions with minimal human intervention. This master’s thesis presents the Smart Network Slicing Manager (SNSM), an autonomous system for intelligent resource allocation. It is capable of dynamically distributing computing resources between network slices. To do this, SNSM has components that use ML algorithms to classify and group network flows according to the traffic patterns of the respective Network Slice. In addition, the SNSM uses Recurrent Neural Networks to forecast the computing resources required for the VNFs of the Network Slices. To validate the solution, the Random Forest model was applied to a dataset containing network flows from a real IP network and obtained 98.6% accuracy in identifying applications. In addition, LSTM and GRU Recurrent Neural Networks were applied to predict computing resources using a dataset with real data from a cloud provider. The system was implemented simulating three Network Slices and successfully allocated the resources needed to serve each of them, proving to be a promising solution for dynamic resource allocation in 5G environments.
Banca examinadora:
Profa. Flávia Coimbra Delicato, UFF – Presidente
Profa. Débora Christina Muchaluat Saade, UFF
Prof. Eduardo Coelho Cerqueira, UFPA