Alocação de recursos e posicionamento de funções virtualizadas em redes de acesso por rádio desagregadas

• Gabriel Matheus Almeida UFG
• Leizer de Lima Pinto UFG
• Kleber Vieira Cardoso UFG

DOI: https://doi.org/10.5753/sbrc_estendido.2024.1776

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 dinêmica na rede variando ao longo do tempo.

Referências

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.

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.

Joda, R. et al. (2022). Deep Reinforcement Learning-Based Joint User Association and CU–DU Placement in O-RAN. IEEE Trans. Netw. Service Manag., 19(4):4097–4110.

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. (2022). 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.