Data-driven Dynamic Optimization of Traffic Workload and Network Slicing for 5G Networks and beyond - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Data-driven Dynamic Optimization of Traffic Workload and Network Slicing for 5G Networks and beyond

Optimisation dynamique axée sur les données de la charge et des tranches réseaux dans les réseaux

El Hocine Bouzidi
  • Fonction : Auteur
  • PersonId : 1214115
  • IdRef : 260468169

Résumé

The 5G networks are expected to meet the ever increasing number of demands, connected devices and data traffic volume, which pushes network operators to their limits in terms of flexibility, elasticity and profitability. SDN, NFV, Network Slicing, ML and Cloud computing are considered as the key technologies to tackle these problems. However, the design and the maturity of these technologies raise new problems in terms of traffic engineering and routing optimization, network infrastructure sharing and distributed SDN control management. In this context, we address, in this thesis, the following problems: 1) how to reactively and proactively define the flow rules and where to place them in order to avoid network congestion, 2) how to create an isolated and efficient E2E network slice by taking into account NFV and SDN to optimize the traffic routing and avoid congestion in a specific network slice, 3) how many SDN controllers needed, where to place them and their corresponding data plane domains in order to improve the performances, and 4) how to leverage intelligence via ML in SDN in order to solve complex problems arising in routing optimization, Network Slicing and controller placement, while guaranteeing the requested QoS.Our first contribution presents an SDN-based rules placement approach that aims to dynamically: i) predict traffic congestion by using mainly NN, then ii) learn optimal paths and reroute traffic to improve network link utilization by deploying a DQN agent. As a second contribution of this thesis, we design and implement an SDN based architecture for E2E network slicing, which proactively and dynamically adapts radio slices to the transport network slices. In the third and last contribution, we present a new method that dynamically computes the optimal number of controllers, determines their optimal locations, and at the same time partitions the set of data plane switches into clusters and assigns them to these controllers
Les réseaux 5G devraient répondre à un nombre croissant de demandes, d'appareils connectés et de volume de trafic de données, ce qui pousse les opérateurs de réseaux à leurs limites en termes de flexibilité, d'élasticité et de rentabilité. Le réseau défini par logiciel SDN, la virtualisation des fonctions réseau NFV, les tranches réseau, l'apprentissage automatique ML et le Cloud computing sont considérés comme les technologies clés pour résoudre ces problèmes. Cependant, la conception et la maturité de ces technologies soulèvent de nouveaux problèmes en termes d'ingénierie de trafic et d'optimisation de routage, de partage d'infrastructure réseau et de gestion de contrôle distribué SDN. Dans ce contexte, nous abordons, dans cette thèse, les problèmes suivants : 1) comment définir de manière réactive et proactive les règles de flux et où les placer afin de supprimer la congestion du réseau, 2) comment créer des tranches réseaux de bout en bout isolés et efficaces en prenant en compte NFV et SDN pour optimiser le routage du trafic et éviter la congestion dans une tranche de réseau spécifique, 3) combien de contrôleurs SDN nécessaires, où les placer et leurs domaines de plan de données correspondants afin d'améliorer les performances, et 4) comment tirer parti de l'intelligence via ML dans SDN afin de résoudre des problèmes complexes survenant dans l'optimisation du routage, le découpage réseau et le placement des contrôleurs, tout en garantissant la qualité de service QoS demandée.Notre première contribution présente une approche de placement de règles de flux basée sur SDN qui vise à : i) prédire la congestion du trafic en utilisant principalement des réseaux de neurones (NN), puis ii) apprendre les chemins optimaux et rediriger le trafic pour améliorer l'utilisation des liens réseau en déployant un agent d'apprentissage par renforcement profond en utilisant la méthode Deep Q-Network (DQN). Comme deuxième contribution de cette thèse, nous concevons et implémentons une architecture SDN pour le tranchage du réseau de bout en bout (i.e., E2E), qui adapte de manière proactive et dynamique les tranches radio aux tranches du réseau de transport. Dans la troisième et dernière contribution, nous présentons une nouvelle méthode qui détermine dynamiquement le nombre optimal de contrôleurs, détermine leurs emplacements optimaux et, en même temps, partitionne l'ensemble des domaines de commutation du plan de données et les alloue aux contrôleurs correspondants
Fichier principal
Vignette du fichier
TH2021UEFL2021.pdf (4.02 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03934663 , version 1 (11-01-2023)

Identifiants

  • HAL Id : tel-03934663 , version 1

Citer

El Hocine Bouzidi. Data-driven Dynamic Optimization of Traffic Workload and Network Slicing for 5G Networks and beyond. Machine Learning [cs.LG]. Université Gustave Eiffel, 2021. English. ⟨NNT : 2021UEFL2021⟩. ⟨tel-03934663⟩
70 Consultations
68 Téléchargements

Partager

Gmail Facebook X LinkedIn More