AI-enabled network slicing and resource management for open and programmable next-generation (6G) networks

Tesi amb menció de Doctorat Industrial

Detalles Bibliográficos
Autor: Mhatre, Suvidha Sudhakar
Tipo de recurso: tesis doctoral
Fecha de publicación:2025
País:España
Institución:Universitat Politècnica de Catalunya (UPC)
Repositorio:UPCommons. Portal del coneixement obert de la UPC
Idioma:inglés
OAI Identifier:oai:upcommons.upc.edu:2117/448986
Acceso en línea:https://hdl.handle.net/2117/448986
https://dx.doi.org/10.5821/dissertation-2117-448986
Access Level:acceso abierto
Palabra clave:AI
ML
DRL
Network Slicing
RAN Optimization
Resource Management
QoS
KPI
6G
O-RAN
RAN slicing
Inter-slice and intra-slice management
RB allocation
non-RT RIC
near-RT RIC
SMO
xApp
rApp
621.3 - Enginyeria elèctrica. Electrotècnia. Telecomunicacions
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació
id ES_960e640bcb1fe69f2f29a4759a23fc68
oai_identifier_str oai:upcommons.upc.edu:2117/448986
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv AI-enabled network slicing and resource management for open and programmable next-generation (6G) networks
title AI-enabled network slicing and resource management for open and programmable next-generation (6G) networks
spellingShingle AI-enabled network slicing and resource management for open and programmable next-generation (6G) networks
Mhatre, Suvidha Sudhakar
AI
ML
DRL
Network Slicing
RAN Optimization
Resource Management
QoS
KPI
6G
O-RAN
RAN slicing
Inter-slice and intra-slice management
RB allocation
non-RT RIC
near-RT RIC
SMO
xApp
rApp
621.3 - Enginyeria elèctrica. Electrotècnia. Telecomunicacions
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació
title_short AI-enabled network slicing and resource management for open and programmable next-generation (6G) networks
title_full AI-enabled network slicing and resource management for open and programmable next-generation (6G) networks
title_fullStr AI-enabled network slicing and resource management for open and programmable next-generation (6G) networks
title_full_unstemmed AI-enabled network slicing and resource management for open and programmable next-generation (6G) networks
title_sort AI-enabled network slicing and resource management for open and programmable next-generation (6G) networks
dc.creator.none.fl_str_mv Mhatre, Suvidha Sudhakar
author Mhatre, Suvidha Sudhakar
author_facet Mhatre, Suvidha Sudhakar
author_role author
dc.subject.none.fl_str_mv AI
ML
DRL
Network Slicing
RAN Optimization
Resource Management
QoS
KPI
6G
O-RAN
RAN slicing
Inter-slice and intra-slice management
RB allocation
non-RT RIC
near-RT RIC
SMO
xApp
rApp
621.3 - Enginyeria elèctrica. Electrotècnia. Telecomunicacions
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació
topic AI
ML
DRL
Network Slicing
RAN Optimization
Resource Management
QoS
KPI
6G
O-RAN
RAN slicing
Inter-slice and intra-slice management
RB allocation
non-RT RIC
near-RT RIC
SMO
xApp
rApp
621.3 - Enginyeria elèctrica. Electrotècnia. Telecomunicacions
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació
description Tesi amb menció de Doctorat Industrial
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-10-30
2025
2025-12-11
dc.type.none.fl_str_mv doctoral thesis
http://purl.org/coar/resource_type/c_db06
VoR
http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.openaire.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/2117/448986
https://dx.doi.org/10.5821/dissertation-2117-448986
url https://hdl.handle.net/2117/448986
https://dx.doi.org/10.5821/dissertation-2117-448986
dc.language.none.fl_str_mv Inglés
eng
language_invalid_str_mv Inglés
language eng
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution 4.0 International
http://creativecommons.org/licenses/by/4.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution 4.0 International
http://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universitat Politècnica de Catalunya
publisher.none.fl_str_mv Universitat Politècnica de Catalunya
dc.source.none.fl_str_mv reponame:UPCommons. Portal del coneixement obert de la UPC
instname:Universitat Politècnica de Catalunya (UPC)
instname_str Universitat Politècnica de Catalunya (UPC)
reponame_str UPCommons. Portal del coneixement obert de la UPC
collection UPCommons. Portal del coneixement obert de la UPC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869413903973220352
spelling AI-enabled network slicing and resource management for open and programmable next-generation (6G) networksMhatre, Suvidha SudhakarAIMLDRLNetwork SlicingRAN OptimizationResource ManagementQoSKPI6GO-RANRAN slicingInter-slice and intra-slice managementRB allocationnon-RT RICnear-RT RICSMOxApprApp621.3 - Enginyeria elèctrica. Electrotècnia. TelecomunicacionsÀrees temàtiques de la UPC::Enginyeria de la telecomunicacióTesi amb menció de Doctorat Industrial(English) This thesis addresses the emerging challenges in resource management for 6G networks by proposing intelligent, scalable, and explainable solutions using Deep Reinforcement Learning (DRL) and related AI techniques. With the evolution from 5G to 6G, the increasing heterogeneity of applications and services introduces complex requirements in terms of latency, bandwidth, computational efficiency, and end-to-end quality of service (QoS). The research presents a suite of AI-driven solutions for dynamic and adaptive resource allocation tailored to network slicing scenarios in Open and Programmable architectures. The work begins by developing a DRL-based, QoS-aware slice resource allocation framework, integrating user association parameterization for beyond-5G O-RAN environments. A hierarchical DRL model is introduced to manage global-local resource trade-offs efficiently. This is extended by proposing a multi-time scale resource management framework under an AI-as-a-Service (AIaaS) paradigm to serve heterogeneous 6G services. To improve interpretability and trust in automated network operations, the thesis incorporates Explainable Reinforcement Learning (XRL) techniques into RAN slicing and management strategies. Finally, the use of transfer learning in DRL is explored to enhance policy adaptation in intra- and inter-slice domains, accelerating learning and improving performance in diverse and dynamic network conditions. The thesis includes extensive simulations and experimental validation to demonstrate the superiority of the proposed methods in terms of scalability, efficiency, and generalization over state-of-the-art (SOTA) baselines. The overall contributions provide a technically innovative and practically applicable roadmap for intelligent, trustworthy, and adaptive resource management in future 6G wireless systems.(Català) Aquesta tesi aborda els reptes emergents en la gestió de recursos per a les xarxes 6G mitjançant la proposta de solucions intel·ligents, escalables i explicables basades en tècniques d’aprenentatge per reforç profund (Deep Reinforcement Learning, DRL) i altres enfocaments d’intel·ligència artificial. Amb l’evolució de les xarxes de 5G a 6G, la creixent heterogeneïtat d’aplicacions i serveis introdueix requisits complexos pel que fa a latència, amplada de banda, eficiència computacional i qualitat de servei (QoS) d’extrem a extrem. Aquesta recerca presenta un conjunt de solucions impulsades per IA per a l’assignació dinàmica i adaptativa de recursos, orientades a l’ús de segmentació de xarxa (network slicing) en arquitectures obertes i programables. El treball comença amb el desenvolupament d’un marc d’assignació de recursos basada en DRL i conscient de la QoS, que integra una parametrització de l’associació d’usuaris per a entorns O-RAN més enllà del 5G. Es presenta un model jeràrquic de DRL que permet gestionar eficaçment les compensacions entre les necessitats globals i locals de recursos. Aquest model es complementa amb un marc de gestió de recursos a múltiples escales temporals, dins del paradigma d’Intel·ligència Artificial com a Servei (AI-as-a-Service, AIaaS), per atendre les demandes heterogènies dels serveis 6G. Per millorar la interpretabilitat i la confiança en les decisions automatitzades de la xarxa, la tesi incorpora tècniques d’aprenentatge per reforç explicable (XRL) en les estratègies de segmentació i gestió de la RAN. Finalment, s’explora l’ús de l’aprenentatge per transferència (transfer learning) en models DRL per millorar l’adaptació de les polítiques en dominis intra i inter-slice, accelerant l’aprenentatge i millorant el rendiment en condicions de xarxa dinàmiques. La tesi inclou simulacions exhaustives i validacions experimentals que demostren la superioritat dels mètodes proposats en termes d’escalabilitat, eficiència i generalització respecte als enfocaments existents. En conjunt, aquestes contribucions ofereixen una ruta innovadora i pràctica per a la gestió intel·ligent, fiable i adaptable de recursos en els futurs sistemes de comunicacions sense fils 6G.(Español) Esta tesis aborda los desafíos emergentes en la gestión de recursos para redes 6G mediante la propuesta de soluciones inteligentes, escalables y explicables basadas en técnicas de Aprendizaje por Refuerzo Profundo (Deep Reinforcement Learning, DRL) y otros enfoques de inteligencia artificial. Con la evolución de las redes de 5G a 6G, la creciente heterogeneidad de aplicaciones y servicios introduce requisitos complejos en cuanto a latencia, ancho de banda, eficiencia computacional y calidad de servicio (QoS) extremo a extremo. Esta investigación presenta un conjunto de soluciones impulsadas por IA para la asignación dinámica y adaptativa de recursos, orientadas al uso de segmentación de red (network slicing) en arquitecturas abiertas y programables. El trabajo comienza con el desarrollo de un marco de asignación de recursos por segmentos (slicing) basado en DRL y consciente de la QoS, que integra una parametrización de asociación de usuarios para entornos O-RAN más allá de 5G. Se introduce un modelo jerárquico de DRL que permite gestionar eficazmente las compensaciones entre los requisitos globales y locales de recursos. Este modelo se amplía mediante un marco de gestión de recursos a múltiples escalas temporales, dentro del paradigma de Inteligencia Artificial como Servicio (AI-as-a-Service, AIaaS), para atender las demandas heterogéneas de los servicios 6G. Para mejorar la interpretabilidad y la confianza en las decisiones automatizadas de red, la tesis incorpora técnicas de Aprendizaje por Refuerzo Explicable (XRL) en las estrategias de segmentación y gestión de RAN. Finalmente, se explora el uso del aprendizaje por transferencia (transfer learning) en modelos DRL para mejorar la adaptación de políticas en dominios intra e inter-slice, acelerando el aprendizaje y mejorando el rendimiento en condiciones de red dinámicas. La tesis incluye simulaciones extensas y validaciones experimentales que demuestran la superioridad de los métodos propuestos en términos de escalabilidad, eficiencia y capacidad de generalización frente a enfoques del estado del arte. En conjunto, estas contribuciones ofrecen una hoja de ruta innovadora y práctica para la gestión inteligente, confiable y adaptable de recursos en los futuros sistemas de comunicaciones inalámbricas 6G.Universitat Politècnica de Catalunya20252025-10-3020252025-12-11doctoral thesishttp://purl.org/coar/resource_type/c_db06VoRhttp://purl.org/coar/version/c_970fb48d4fbd8a85info:eu-repo/semantics/doctoralThesisapplication/pdfhttps://hdl.handle.net/2117/448986https://dx.doi.org/10.5821/dissertation-2117-448986reponame:UPCommons. Portal del coneixement obert de la UPCinstname:Universitat Politècnica de Catalunya (UPC)Inglésengopen accesshttp://purl.org/coar/access_right/c_abf2Attribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessoai:upcommons.upc.edu:2117/4489862026-05-27T15:37:01Z
score 15,811543

Similares en LA Referencia