UM FRAMEWORK INTELIGENTE BASEADO EM PREVISÕES DE QOE PARA LOAD BALANCEING EM REDES 5G / Gleison de Oliveira Medeiros. Neste contexto, esta tese investiga soluções de balanceamento de carga em redes 5G que, além de redução de custos, ofereçam melhorias na QoE do usuário.
Visão geral
No entanto, também envolve medir o humor do usuário ou descobrir como representar a capacidade de resposta do sistema, levando a um tipo especial de SLA projetado para estabelecer um padrão comum para o nível de QoE que o usuário desejará com o uso dos dispositivos. serviços, também denominado Acordo de Nível de Experiência (ELA) Varela et al. Isto aumenta a flexibilidade e escalabilidade do sistema, tornando as redes programáveis, adaptáveis e econômicas Kitindi et al.
Motivação e desafios
Neste sentido, mesmo com a implementação do C-RAN, ainda existirão alguns problemas recorrentes na gestão dos recursos da rede. Atualmente, os recursos de processamento de cada BS são utilizados apenas por usuários ativos na cobertura, o que causa problemas de BS ociosas em algumas áreas e sobrecarga de BS em outras.
Objetivos
Contribuições
Organização do texto
Tipos de arquiteturas C-RAN
Com base no desempenho do fronthaul, algumas funções do grupo BBU-RRH podem ser divididas, o que influenciará bastante os detalhes da arquitetura C-RAN. A divisão depende de onde são tratadas as funções nas camadas L1 (PHY), L2 (Media Access Control (MAC)) e L3 (Rede). As funções da camada L1 incluem o processamento BB, enquanto L2 é responsável pelo mecanismo de controle de acesso.
Abaixo está um resumo das principais características do pool BBU em cada tipo de arquitetura. Neste tipo de arquitetura, as BBUs lidam com todas as funções de gerenciamento e processamento de recursos e podem, portanto, beneficiar-se significativamente de operação e manutenção simplificadas. Parcialmente Centralizado: Em estruturas parcialmente centralizadas, as funções das camadas L1 são desempenhadas nos RRHs, enquanto as funções L2 e L3 são desempenhadas nas BBUs.
De acordo com China (2011), independentemente do tipo de arquitetura C-RAN implementada, as operadoras de redes móveis podem atualizar rapidamente a sua rede apenas adicionando e conectando novos RRHs ao grupo BBU.
Benefícios de arquiteturas C-RAN
Portanto, o consumo de energia dos aparelhos de ar condicionado e outros equipamentos de apoio pode ser drasticamente reduzido Hossain et al. Além disso, uma vez que técnicas cooperativas de redução de interferência podem ser utilizadas entre RRHs, é permitida uma maior densidade de RRHs. Isso significa que células menores, com menor potência de transmissão, podem ser implantadas visando maior reaproveitamento e capacidade de frequência, enquanto a cobertura da rede não é afetada Checko et al.
O consumo de energia e o congestionamento de carga podem ser minimizados alocando dinamicamente os recursos de processamento de muitas BBUs e nestes casos algumas podem até ser desabilitadas durante períodos ociosos Khan, Alhumaima e Al-Raweshidy (2015). Ao compartilhar informações sobre as bandas de espectro utilizadas entre o UE e os RRHs, a multiplexação permite mais fluxos no mesmo canal com pouca ou até nenhuma interferência. Checko et al. Por exemplo, durante o dia os utilizadores deslocam-se entre diferentes áreas (residenciais e comerciais) Hossain et al.
Portanto, as operadoras não precisam substituir nenhum equipamento para adicionar ou atualizar regras ou SLAs, mas simplesmente atribuir um novo BBU Kitindi et al.
Virtualização
Network functions virtualization - NFV
Software defined networks - SDN
- Protocolo OpenFlow
- Relação QoS e SDN
O protocolo OpenFlow especifica primitivas básicas que podem ser usadas pelo controlador SDN para programar o plano de dados dos switches de rede usando o conceito de fluxo para identificar o tráfego de rede. O plano de dados de um switch OpenFlow consiste em uma ou mais tabelas de fluxo e uma tabela de grupo que realizam pesquisa e encaminhamento de pacotes em um ou mais canais OpenFlow para um controlador externo. Segundo Karakus e Durresi (2017b), utilizando o protocolo OpenFlow, o controlador pode adicionar, atualizar e excluir entradas de fluxo nas tabelas de fluxo de forma reativa, proativa e híbrida.
Após o controlador processar o pacote de acordo com as políticas de rede, ele cria e envia um registro de fluxo para ser instalado no dispositivo de rede. No modo proativo, as entradas de fluxo são configuradas nas tabelas de fluxo dos switches antes que novos fluxos cheguem aos switches. Para Karakus e Durresi (2017a), um switch OpenFlow mantém diversas tabelas de correspondência contendo uma lista de entradas de fluxo.
Para Göransson, Black e Culver (2017), a tabela de fluxo é o pilar que define um switch OpenFlow e consiste em campos de cabeçalho, contadores e ações associadas.
Quality of experience - QoE
Métricas subjetivas de QoE
Os métodos subjetivos de avaliação da qualidade do vídeo são considerados a forma mais precisa e confiável de avaliar a qualidade e são obtidos através da avaliação perceptiva que o usuário atribui ao conteúdo consumido. Moldovan, Ghergulescu e Muntean (2014). No entanto, é eficaz na quantificação do efeito de fatores de confusão na QoE de vários serviços Juluri. A Recomendação P.910 (2008), fornece um conjunto de diretrizes e instruções necessárias para a realização de testes avaliativos subjetivos de conteúdos multimídia, desde a seleção de pessoal e materiais de teste até a configuração do ambiente e as escalas a serem utilizadas.
Os testes consistem basicamente em opinar sobre a qualidade de um mesmo vídeo transmitido de duas formas: a primeira com imagens originais e a segunda sobre o efeito dos codecs.
Métricas objetivas de QoE
Em MEDEIROS (2018), os autores apresentam uma escala de obrigação baseada na relação entre os valores de opinião quantitativos e qualitativos do MOS, Tabela 1, bem como a Equação 1 relativa ao processo de avaliação. O MSE calcula a variância entre a potência máxima do sinal e a potência do ruído distorcido, o que afeta a qualidade de sua representação. Quando a qualidade da compressão de imagem e vídeo se deteriora, o valor PSNR muda de 30 para 50 dB para representação de dados de 8 bits e de 60 para 80 dB para dados de 16 bits.
Na transmissão sem fio, a faixa de perda de qualidade aceita é de aproximadamente 20 a 25 dB Sara, Akter e Uddin (2019). O VQM tem uma alta correlação com a avaliação subjetiva da qualidade de vídeo e foi adotado pelo American National Standards Institute (ANSI) como um padrão objetivo de qualidade de vídeo. Mesmo com dados de classificação objetivos e claros, a qualidade do vídeo costuma ser uma medida não linear e difícil de correlacionar com dados de classificação subjetivos.
A Tabela 2 apresenta o mapeamento de duas medidas objetivas de qualidade de vídeo (PSNR e SSIM) na escala subjetiva MOS Moldovan, Ghergulescu e Muntean (2014).
Estratégias de mapeamento QoS/QoE
Predição
Redes neurais artificiais - RNA
- Arquitetura das RNAs
- Aprendizado
- Nonlinear Autoregressive Exogenous Model - NARX
Estas funções são decisivas no processo de reconhecimento e ativação de um neurônio, ou seja, se a informação recebida será considerada válida ou não. 2017), a escolha de um tipo de função de ativação depende do tipo de objetivo buscado, por exemplo, do poder computacional e do tipo de sinal de saída desejado. Segundo Haykin (2010), os principais componentes de uma RNA são: a camada de entrada, que representa o sinal de entrada que será passado aos neurônios; Aqueles que possuem uma única camada são aqueles que possuem apenas um nó entre a camada de entrada e a camada de saída da rede.
As RNAs multicamadas se distinguem pela presença de uma ou mais camadas ocultas entre as camadas de entrada e saída da rede. Além disso, os neurônios da camada oculta possuem conexão de entrada apenas com a camada anterior. Segundo Haykin (2010), esta propriedade tem grande impacto no desempenho e na capacidade de aprendizagem da rede.
Modelo Exógeno Autoregressivo Não Linear (NARX) são RNAs dinâmicas recorrentes com conexões de feedback envolvendo muitas camadas da rede.
Resumo do capítulo
Em Yao e Ansari (2018), os autores propõem uma solução conjunta para o problema de mapeamento BBU-RRH e associação de usuários em C-RAN. Em Pompila, Hajisami e Viswanathan (2015), os autores avaliam o provisionamento de recursos C-RAN estático e dinâmico considerando a probabilidade de bloqueio de chamadas como um fator de desempenho. Como solução, os autores propõem dois algoritmos dinâmicos de provisionamento de recursos, proativo e reativo.
Os autores avaliam apenas o desempenho dos algoritmos no número ideal de BBUs alocadas em relação ao custo. Os autores consideram apenas a velocidade de transferência para determinar a satisfação do usuário. Os resultados apresentados mostram que os autores focaram principalmente nas métricas de desempenho da rede.
Nesta pesquisa, os autores consideram apenas o mapeamento dinâmico dos recursos C-RAN do ponto de vista do pool.
Discussão
Os autores consideram QoE como o tempo necessário para alocar e entregar um recurso físico da BBU. A métrica “tempo de resposta” é levada em consideração, mas não leva em consideração os fatores da aplicação transferida. A métrica QoE é observada quando uma solicitação de recurso BBU é atendida dentro do atraso mínimo que pode ser tolerado pela aplicação em execução.
Sim Não LSTM/AG Sim Não A combinação ideal BBU-RRH é definida apenas com base em métricas de QoS. Com base na análise da tabela acima mencionada, embora as questões de alocação de recursos C-RAN tenham sido abordadas de forma abrangente, nenhum dos estudos mencionados abordou efetivamente o problema de mapeamento e balanceamento de carga, que leva em consideração a tomada de decisão exclusivamente baseada na satisfação do usuário , fator determinante para uma abordagem orientada ao usuário. O desenvolvimento de um algoritmo de balanceamento de carga e mapeamento BBU-RRH baseado em previsões de ANN QoE.
Resumo do capítulo
4 Uma estrutura inteligente baseada em previsões de QoE para balanceamento de carga em redes C-RAN. Além disso, implementa o melhor plano de balanceamento de carga com o objetivo de maximizar a QoE do usuário e garantir o uso eficiente dos recursos do cluster BBU. Essa abordagem faz com que todo o balanceamento de carga e a política de redefinição do mapeamento BBU-RRH atuem de forma proativa.
Neste caso, é proposto um esquema de balanceamento de carga BBU-RRH, que determina novas configurações de BBU-RRH para acomodar a carga de tráfego de todos os RRHs sem acionar novas BBUs. Neste caso, é proposto um esquema de balanceamento de carga que inicia uma nova BBU na área da BBU. Também foram explicadas as características e funções de cada componente, focando principalmente nos processos de redefinição do balanceamento de carga e mapeamento BBU-RRH com base em previsões de QoE.
As Figuras 22b, 22d e 22f representam os frames obtidos com a inclusão do framework e das políticas de balanceamento de carga (caso II) para o mesmo número de usuários. Os resultados mostraram que o algoritmo de balanceamento de carga foi capaz de obter ganhos significativos no número de usuários atendidos dentro de políticas de SLA pré-estabelecidas. Além disso, um algoritmo de balanceamento de carga de três casos é projetado para determinar a proporção apropriada de BBU-RRH e otimizar os recursos físicos.
