Análise da Funcionalidade da NWDAF no Core 5G Sobre um Conjunto de Dados
Resumo
A tecnologia 5G representa uma evolução nas redes móveis por conta do paradigma orientado a serviços que permite mais flexibilidade de gerenciamento e a possibilidade da aplicação da análise de dados. O 3GPP define a NWDAF como a função de rede responsável pela análise de dados no 5G, porém, a literatura ainda é escassa de trabalhos sobre esta função. A fim de preencher esta lacuna, este artigo investiga a NWDAF sob um conjunto de dados de uma rede 5G simulada utilizando modelos de aprendizado de máquina como classificadores de protocolos de rede. Os resultados apresentam acurácia em torno de 75%, e além disso, possibilitam a reprodutibilidade e investigações futuras em análise de dados em acordo com o especificado pelo 3GPP.Referências
3GPP (2022). 3GPP TS 23.288 version 17.4.0 Release 17. Technical report, 3rd Generation Partnership Project.
3GPP (2023). 3GPP TS 29.520 version 17.11.0 Release 17. Technical report, 3rd Generation Partnership Project.
Breiman, L. (1996). Bagging predictors. Machine learning, 24(2):123–140.
Coronado, E., Behravesh, R., Subramanya, T., Fernàndez-Fernàndez, A., Siddiqui, M. S., Costa-Pérez, X., and Riggio, R. (2022). Zero touch management: A survey of network automation solutions for 5g and 6g networks. IEEE Communications Surveys & Tutorials, 24(4):2535–2578.
de Oliveira, L. A. and Silva, E. F. (2023). Estudo e Avaliação de Métodos de Autenticação EAP na Infraestrutura de Redes de Telecomunicação 5G. In Anais do Simpósio Brasileiro em Segurança da Informação e de Sistemas Computacionais (SBSeg). SBC.
Duan, Q. (2021). Intelligent and Autonomous Management in Cloud-Native Future Networks. Future Internet, 13(2):42.
free5GC et al. (2020). free5GC: Open source 5G core network base on 3GPP R15. [Online]. Disponível em: [link].
Güngör, A. et al. (2021). UERANSIM: Open source 5G UE and RAN (gNodeB) implementation. [Online]. Disponível em: [link].
Kim, T., Kim, J., Ko, H., Seo, S., Jcon, Y., Jeong, H., Lee, S., and Pack, S. (2022). An implementation study of network data analytic function in 5g. In 2022 IEEE International Conference on Consumer Electronics (ICCE), page 1–3. IEEE.
Pal, S. K. and Mitra, S. (1992). Multilayer perceptron, fuzzy sets, classifiaction.
Pateromichelakis, E., Moggio, F., Mannweiler, C., Arnold, P., Shariat, M., Einhaus, M., Wei, Q., Bulakci, O., and De Domenico, A. (2019). End-to-end data analytics framework for 5g architecture. IEEE Access, 7:40295–40312.
Pell, R., Moschoyiannis, S., and Shojafar, M. (2023). Machine Learning Driven Secure Access Control for 5g Core Networks. SSRN.
Safavian, S. R. and Landgrebe, D. (1991). A survey of decision tree classifier methodology. IEEE transactions on systems, man, and cybernetics, 21(3):660–674.
Storn, R. and Price, K. (1997). Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces. Journal of Global Optimization, 11(4):341–359.
3GPP (2023). 3GPP TS 29.520 version 17.11.0 Release 17. Technical report, 3rd Generation Partnership Project.
Breiman, L. (1996). Bagging predictors. Machine learning, 24(2):123–140.
Coronado, E., Behravesh, R., Subramanya, T., Fernàndez-Fernàndez, A., Siddiqui, M. S., Costa-Pérez, X., and Riggio, R. (2022). Zero touch management: A survey of network automation solutions for 5g and 6g networks. IEEE Communications Surveys & Tutorials, 24(4):2535–2578.
de Oliveira, L. A. and Silva, E. F. (2023). Estudo e Avaliação de Métodos de Autenticação EAP na Infraestrutura de Redes de Telecomunicação 5G. In Anais do Simpósio Brasileiro em Segurança da Informação e de Sistemas Computacionais (SBSeg). SBC.
Duan, Q. (2021). Intelligent and Autonomous Management in Cloud-Native Future Networks. Future Internet, 13(2):42.
free5GC et al. (2020). free5GC: Open source 5G core network base on 3GPP R15. [Online]. Disponível em: [link].
Güngör, A. et al. (2021). UERANSIM: Open source 5G UE and RAN (gNodeB) implementation. [Online]. Disponível em: [link].
Kim, T., Kim, J., Ko, H., Seo, S., Jcon, Y., Jeong, H., Lee, S., and Pack, S. (2022). An implementation study of network data analytic function in 5g. In 2022 IEEE International Conference on Consumer Electronics (ICCE), page 1–3. IEEE.
Pal, S. K. and Mitra, S. (1992). Multilayer perceptron, fuzzy sets, classifiaction.
Pateromichelakis, E., Moggio, F., Mannweiler, C., Arnold, P., Shariat, M., Einhaus, M., Wei, Q., Bulakci, O., and De Domenico, A. (2019). End-to-end data analytics framework for 5g architecture. IEEE Access, 7:40295–40312.
Pell, R., Moschoyiannis, S., and Shojafar, M. (2023). Machine Learning Driven Secure Access Control for 5g Core Networks. SSRN.
Safavian, S. R. and Landgrebe, D. (1991). A survey of decision tree classifier methodology. IEEE transactions on systems, man, and cybernetics, 21(3):660–674.
Storn, R. and Price, K. (1997). Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces. Journal of Global Optimization, 11(4):341–359.
Publicado
20/05/2024
Como Citar
OLIVEIRA, Leonardo Azalim de; SILVA, Rodrigo Oliveira; LIMA, Pedro Campos; PEREIRA, Antônio Marcos Souza; VALADARES, Júlia Almeida; SILVA, Edelberto Franco; DANTAS, Mário Antônio Ribeiro.
Análise da Funcionalidade da NWDAF no Core 5G Sobre um Conjunto de Dados. In: SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS (SBRC), 42. , 2024, Niterói/RJ.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 798-811.
ISSN 2177-9384.
DOI: https://doi.org/10.5753/sbrc.2024.1474.
