Network Slicing en redes 5G para tráfico Streaming aplicando Deep Learning
El Network Slicing se ha posicionado como tecnología que es pilar fundamental para las redes 5G, destinado a soportar las nuevas tecnologías con requisitos mejorados en cuanto a rendimiento y flexibilidad a la hora de dividir la red física en numerosas redes virtuales. Estas tecnologías emergentes y...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | Colombia |
| Institución: | Universidad Distrital Francisco José de Caldas |
| Repositorio: | RIUD: repositorio U. Distrital |
| OAI Identifier: | oai:repository.udistrital.edu.co:11349/42376 |
| Acceso en línea: | http://hdl.handle.net/11349/42376 |
| Access Level: | acceso abierto |
| Palabra clave: | Network slicing Red 5G Red neuronal profunda PyTorch Algoritmo GSO Openstack Tacker Maestría en Ciencias de la Información y las Comunicaciones -- Tesis y disertaciones académicas Network Slicing en redes 5G Deep Learning en redes de telecomunicaciones Tecnologías emergentes en redes 5G Simulación de tráfico en redes 5G 5G Network Deep neural network GSO algorithm |
| Sumario: | El Network Slicing se ha posicionado como tecnología que es pilar fundamental para las redes 5G, destinado a soportar las nuevas tecnologías con requisitos mejorados en cuanto a rendimiento y flexibilidad a la hora de dividir la red física en numerosas redes virtuales. Estas tecnologías emergentes y las que ya están soportadas por las anteriores generaciones, plantean un gran desafío en cuanto a elasticidad de toda la red, se deben tener en cuenta las aplicaciones que se soportan en actualidad (como el video Streaming, o el internet) si no que también se deben soportar redes como las de Internet de las Cosas Masivos o las redes de alta criticidad como las utilizadas en Telemedicina, todas esas verticales deben tener la mejor calidad de servicio y de experiencia que se le pueda brindar al cliente final. En este trabajo se propone un diseño de Network Slicing eficiente utilizando una Red Neuronal Profunda que permita seleccionar el Slice de red idóneo para que los paquetes de cada vertical sean transportados. Se propone un método de entrenamiento para la Red Neuronal con un algoritmo metaheurístico llamado Optimización por Enjambre de Luciérnagas que presentó una eficiencia de 99,8% en la exactitud de los datos obtenidos. La infraestructura virtual de red está montada sobre Openstack – Tacker que tiene una implementación completa de lo que sugiere la ETSI para implementaciones con Redes Virtuales y Network Slicing. Se utiliza Free5GC y EURanSim para simular un ambiente de red 5G en el Core de la red y se utiliza TorchServe para desplegar el modelo de Deep Leaning en un ambiente productivo de alta eficiencia y baja latencia. Las pruebas se en enfocaron a comparar la vertical de Streaming de Video de alta resolución, pero junto a ellas se generó tráfico de IoT Masivo y navegación por internet para corroborar la correcta separación de Slices y el correcto flujo de tráfico en el Slice correspondiente a la vertical. Se encontró una mejora en las pruebas que se hicieron separando los Slices de Red y con el método de entrenamiento de la Red Neuronal se abre la posibilidad a nuevos métodos que puedan cada vez más brindar una mejor exactitud y eficiencia a la hora de entrenar modelos aún más complejos y puedan ayudar a mejorar la manera en que se están asumiendo los retos de implementación de redes que soporten la gran diversidad de servicios emergentes que se están presentando en la actualidad. Para el Slice desplegado para el Streaming de video, se evidenció una mejora en la velocidad de transmisión promedio de 10.71 Mbps. |
|---|