Az 5G Hálózati Szeletelés szimulációja és lehetőségei
Az utóbbi években az ötödik generációs mobilhálózatok térhódítása számos újszerű funkcionalitás bevezetését tette lehetővé, ezen lehetőségek jelentős része ugyanakkor a mai napig kihasználatlanul várja a szükséges fejlesztéseket és koncepciókat. Ezen korai fázisát élő vívmányok között tarthatjuk számon az 5G Hálózati Szeletelést, vagy elterjedtebb angol nevén Network Slicing technológiát. Az eljárás lényege, hogy a hálózatot „szeletekre” bontjuk, és az így kapott egységek forgalmát különálló követelmények szerint kezeljük. A három triviális szelet a „hagyományos” eMBB (Enhanced Mobile Broadband, konvencionális felhasználói mobilinternet-szolgáltatás), a gépi adatforgalom-fókuszú mMTC (Massive Machine-Type Communication, sűrűn és nagy mennyiségben elhelyezett IoT-eszközök kiszolgálása), valamint a leginkább kritikus URLLC (Ultra-Reliable Low Latency Communication, különösen nagy megbízhatóságot és garantáltan kis késleltetést igénylő alkalmazások adatforgalma). Mivel az egyes alkalmazási területek drasztikusan eltérő elvárásokat támasztanak a hálózattal szemben, szükségszerű a problémát részekre bontani, és párhuzamosan futó, mégis egyéni megoldásokat találni.
A dolgozat elsőként a Network Slicing koncepcióját mutatja be, elemezve a szabvány nyújtotta kereteket, a már megvalósított szolgáltatások jellemzőit és eredményeit, valamint a fejlesztési lehetőségeket és implementációs bizonytalanságokat. A koncepció gyakorlatba ültetésére és a szeletek közti erőforrás-elosztásra többféle technikai megoldás is lehetőséget ad, amelyek áttekintő és összehasonlító jelleggel kerülnek kifejtésre. A gépi tanulás módszerek a hálózatoptimalizáció területén is egyre népszerűbbek, így érdemes a hálózatszeletelés, illetve hálózati erőforrás menedzsment esetén is megvizsgálni hatékonyságukat.
A legnagyobb hangsúlyt a saját fejlesztésű szimulációs rendszerrel elért eredmények bemutatása kapja, amelyet a dolgozat a rendszer lényegre törő ismertetésével alapoz meg. A kutatási koncepció újszerűsége abban rejlik, hogy az egyes hálózati szeletek erőforrás-elosztását mesterséges intelligenciával, azon belül is mély megerősítéses tanulással vezéreljük. A vezérlés egy, a szimulátorban számos kísérletet végrehajtó ágens betanításán alapul, amely a hálózat működésének optimalitását célszerűen, függvény alapján megállapító jutalom maximalizálására törekszik. Az így kapott vezérlés valós idejű beavatkozásra képes, ráadásul nemcsak egy időpillanat statikus optimalitására törekszik, hanem a dinamikus, adott időintervallumot felölelő szimuláció hálózatának optimalizálását célozza.
A szimulációs rendszer a felhasználók helyzetét egy forgalomszimulátor, a SUMO (Simulation of Urban MObility) által generált pozíció-adatok formájában kapja meg, így nem fenyeget az a veszély, hogy az ágens adott, pontosan ismétlődő mobilitási mintákat tanulna meg. Az így, minden ciklusban változó járműforgalomra futtatott Network Slicing szimuláció eredményeit adatvizualizációs eljárásokkal szemléltetjük, majd következtetéseket vonunk le a megoldás hatékonyságára vonatkozóan. A vizsgálat fő fókuszát az adaptivitás, a konvergencia és a már ismert megoldásokhoz viszonyított hatékonyság jelenti. Mindemellett az eredmények függvényében javaslatot fogalmazunk meg arra vonatkozóan, hogy a vizsgált megközelítés milyen módon és mértékben illeszthető bele a valódi 5G hálózatok működésébe, kitérve a szimuláció korlátaira és az üzleti szempontok figyelembevételére egyaránt.
szerző
-
Bauer László Dániel
Villamosmérnöki szak, mesterképzés
mesterképzés (MA/MSc)
konzulens
-
Dr. Huszák Árpád
docens, Hálózati Rendszerek és Szolgáltatások Tanszék
