Alocação de recursos e posicionamento de funções virtualizadas em redes de acesso por rádio desagregadas
Resumo
A otimização do posicionamento das funções de rádio virtualizadas na rede de acesso sem fio é essencial para garantir o uso eficiente dos recursos, sendo um tema de pesquisa relevante em redes 5G e Pós-5G. Este estudo apresenta três abordagens para resolver esse problema no cenário de planejamento da rede e duas abordagens no cenário operacional da rede. Inclui um modelo de Programação Linear Inteira Mista (MILP), bem como métodos baseados em inteligência artificial, aprendizado de máquina e meta-heurística. Abordagens exatas servem como limites superiores ótimos, entretanto com baixa escalabilidade, enquanto métodos não exatos são eficientes computacionalmente e podem proporcionar soluções de alta qualidade. Destaca-se o agente de aprendizado por reforço profundo pela sua rápida convergência e capacidade de generalização, enquanto o algoritmo genético demonstra um tempo de processamento mais eficiente nos experimentos realizados. No entanto, a complexidade do problema aumenta consideravelmente no cenário operacional com demanda dinâmica na rede variando ao longo do tempo.
Referências
3GPP (2018). System Architecture for the 5G (Release 15). Technical Recommendation 23.501.
Alba, M. et al. (2022). Dynamic Functional Split Adaptation in Next-Generation Radio Access Networks. IEEE Trans. Netw. Serv. Manag., 19(3):3239–3263.
Almeida, G. M. et al. (2022a). Deep reinforcement learning for joint functional split and network function placement in vRAN. In IEEE Glob. Commun. Conf., pages 1229–1234.
Almeida, G. M. et al. (2022b). Optimal Joint Functional Split and Network Function Placement in Virtualized RAN With Splittable Flows. IEEE Wirel. Commun., 11(8):1684–1688.
Almeida, G. M. et al. (2023). A Genetic Algorithm for Efficiently Solving the Virtualized Radio Access Network Placement Problem. In IEEE Int. Conf. Commun., pages 1874–1879.
Almeida, G. M. et al. (2024). RIC-O: Efficient Placement of a Disaggregated and Distributed RAN Intelligent Controller With Dynamic Clustering of Radio Nodes. IEEE J. Sel. Areas Commun., 42(2):446–459.
Erazo-Agredo et al. (2021). Joint Route Selection and Split Level Management for 5G C-RAN. IEEE TNSM, pages 4616–38.
Fraga, L. d. S. et al. (2022). Efficient allocation of disaggregated RAN functions and Multi-access Edge Computing services. In IEEE Glob. Commun. Conf., pages 191–196.
Garcia-Saavedra et al. (2018a). FluidRAN: Optimized vRAN/MEC Orchestration. In IEEE INFOCOM 2018 IEEE Conf. Comp. Commun., pages 2366–2374.
Garcia-Saavedra, A. et al. (2018b). WizHaul: On the Centralization Degree of Cloud RAN Next-Generation Fronthaul. IEEE Trans. Mob. Comput., 17(10):2452–2466.
IEEE (2021). O-RAN Introduces 48 New Specifications Released Since July 2021.
ITU-T (2018). Transport network support of imt 2020/5g.
Joda, R. et al. (2022). Deep Reinforcement Learning-Based Joint User Association and CU–DU Placement in O-RAN. IEEE Trans. Netw. Serv. Manag., 19(4):4097–4110.
L. Lopes, V. H. et al. (2022). A Coverage-Aware VNF Placement and Resource Allocation Approach for Disaggregated vRANs. In IEEE Glob. Commun. Conf., pages 185–190.
Laghrissi, A. and Taleb, T. (2018). A survey on the placement of virtual resources and virtual network functions. IEEE Commun. Surv. Tutor., 21(2):1409–1434.
Morais, F. Z. et al. (2022a). OPlaceRAN -a Placement Orchestrator for Virtualized Next-Generation of Radio Access Network. IEEE Trans. Netw. Serv. Manag., pages 1–1.
Morais, F. Z. et al. (2022b). PlaceRAN: optimal placement of virtualized network functions in Beyond 5G radio access networks. IEEE Trans. Mob. Comput., pages 1–1.
Murti, F. W. et al. (2020). Optimal Deployment Framework for Multi-Cloud Virtualized Radio Access Networks. IEEE Trans. Wirel. Commun, pages 1–1.
Murti, F. W. et al. (2022a). Constrained Deep Reinforcement Based Functional Split Optimization in Virtualized RANs. IEEE Trans. Wirel. Commun, 21(11):9850–9864.
Murti, F. W. et al. (2022b). Learning-Based Orchestration for Dynamic Functional Split and Resource Allocation in vRANs. In 2022 J. Eur. Conf. Net. Commun. & 6G Sum., pages 243–248.
Murti, F. W. et al. (2023). Deep Reinforcement Learning for Orchestrating Cost-Aware Reconfigurations of vRANs. IEEE Trans. Netw. Serv. Manag.
Pamuklu, T. et al. (2021). Reinforcement Learning Based Dynamic Function Splitting in Disaggregated Green Open RANs. In IEEE Int. Conf. Commun., pages 1–6.
Pires, W., de Almeida, G., Correa, S., Both, C., Pinto, L., and Cardoso, K. (2022). Bi-objective Optimization for Energy Efficiency and Centralization Level in Virtualized RAN. In IEEE Int. Conf. Commun., pages 1034–1039.
