Thèse Année : 2024

AI-driven Zero-Touch solutions for resource management in cloud-native 5G networks

Solutions Zero-Touch basées sur l’IA pour la gestion des ressources dans les réseaux 5G natifs du cloud

Résumé

The deployment of 5G networks has introduced cloud-native architectures and automated management systems, offering communication service providers scalable, flexible, and agile infrastructure. These advancements enable dynamic resource allocation, scaling resources up during high demand and down during low usage, optimizing CapEx and OpEx. However, limited observability and poor workload characterization hinder resource management. Overprovisioning during off-peak periods raises costs, while underprovisioning during peak demand degrades QoS. Despite industry solutions, the trade-off between cost efficiency and QoS remains unresolved. This thesis addresses these challenges by proposing proactive autoscaling solutions for network functions in cloud-native 5G. It focuses on accurately forecasting resource usage, intelligently differentiating scaling events (scaling up, down, or none), and optimizing timing to achieve a balance between cost and QoS. Additionally, CPU throttling, a significant barrier to this balance, is mitigated through a novel approach. The developed framework ensures efficient resource allocation, reducing operational costs while maintaining high QoS. These contributions establish a foundation for sustainable and efficient 5G network operations, setting a benchmark for future cloud-native architectures.

Le déploiement des réseaux 5G a introduit des architectures cloud-native et des systèmes de gestion automatisés, offrant aux fournisseurs de services de communication une infrastructure évolutive, flexible et agile. Ces avancées permettent une allocation dynamique des ressources, augmentant celles-ci en période de forte demande et les réduisant en période de faible utilisation, optimisant ainsi les CapEx et OpEx. Cependant, une observabilité limitée et une caractérisation insuffisante des charges de travail entravent la gestion des ressources. Une surprovisionnement pendant les périodes creuses augmente lescoûts, tandis qu’un sous-provisionnement dégrade la QoS lors des pics de demande. Malgré les solutions existantes dans l’industrie, le compromis entre efficacité des coûts et optimisation de la QoS reste difficile. Cette thèse aborde ces défis en proposant des solutions d’autoscaling proactives pour les fonctions réseau dans un environnement cloud native 5G. Elle se concentre sur la prévision précise de l’utilisation des ressources, l’identification des opérations de changement d’échelle à mettre en oeuvre, et l’optimisation des instants auxquels opérer ces ajustements pour préserver l’équilibre entre coût et QoS. De plus, une approche novatrice permet de tenir compte de façon efficace du throttling de la CPU. Le cadre développé assure une allocation efficace des ressources, réduisant les coûts opérationnels tout en maintenant une QoS élevée. Ces contributions établissent une base pour des opérations réseau 5G durables et efficaces et proposent une base pour les futures architectures cloud-native.

Fichier principal
Vignette du fichier
2024IMTA0427_PereraJayasuriyaKuranage-Menuka_Diffusion.pdf (17.1 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-04929866 , version 1 (05-02-2025)

Licence

Identifiants

  • HAL Id : tel-04929866 , version 1

Citer

Menuka Perera Jayasuriya Kuranage. AI-driven Zero-Touch solutions for resource management in cloud-native 5G networks. Networking and Internet Architecture [cs.NI]. Ecole nationale supérieure Mines-Télécom Atlantique, 2024. English. ⟨NNT : 2024IMTA0427⟩. ⟨tel-04929866⟩
288 Consultations
623 Téléchargements

Partager

  • More