Model Learning for Time-Sensitive Networking over 5G networks

Resumen

El propósito de las redes deterministas es implementar comunicaciones en tiempo real con latencia acotada, bajas tasas de pérdida de datos y jitter. Time-Sensitive Networking (TSN) cubre estas necesidades, permitiendo la transmisión de datos sensibles al tiempo en redes Ethernet. La demanda creciente de comunicación inalámbrica en entornos industriales ha impulsado un enfoque híbrido, integrando tecnologías cableadas e inalámbricas. El 5G se posiciona como principal candidata en entornos inalámbricos, proporcionando alta fiabilidad y baja latencia. Además, los estándares 3GPP definen una arquitectura que permite interoperabilidad entre TSN y 5G, apoyándose en nuevas entidades como traductores TSN y el TSN Application Function. La reconfiguración de la red es crucial para cumplir con los requisitos del tráfico TSN sobre redes 5G. En este contexto, nacen enfoques como Zero-Touch que tratan de minimizar la intervención humana en este tipo de operaciones, que apoyándose en técnicas de aprendizaje pueden liderar a reconfiguraciones automáticas de la red. Esta tesis tiene como objetivo construir un modelo del comportamiento de la red 5G para monitorizar la calidad de las sesiones de tráfico extremo a extremo. Para ello, se usan autómatas de aprendizaje que se basan en indicadores clave de rendimiento asociados a los diferentes perfiles de tráfico y las configuraciones de red 5G. Un enfoque de bucle cerrado permite el uso de estos autómatas para realizar predicciones de desviaciones de los indicadores de calidad del tráfico, para sugerir configuraciones de red adecuadas para cumplir los requisitos del tráfico. La tesis se desarrolla de forma incremental. Primero, se desarrolla un algoritmo de aprendizaje para crear un modelo abstracto de la red 5G, incluyendo indicadores de rendimiento y configuraciones de red. Segundo, se extiende este algoritmo mediante la definición de un autómata orientado al tiempo, Traffic-Oriented input/output Automata, que permite representar la evolución de la sesión TSN con relación al tiempo, y a su vez predecir desviaciones y reconfigurar automáticamente la red mediante una interacción directa. Tercero, diseño del algoritmo de predicción y reconfiguración. Además, se presenta AutomAdapt, una herramienta que implementa estos algoritmos, la cual se ha evaluado en el testbed TSN sobre 5G de la Universidad de Málaga, desarrollado como parte de esta tesis, mostrando mejoras de rendimiento hasta en un 45% en términos de tiempo que la red cumple con los requisitos de la sesión de tráfico TSN, respecto a la operación normal de la red. En conclusión, los resultados obtenidos demuestran que la red 5G es capaz de satisfacer los requisitos de una parte considerable de los patrones de tráfico industrial existentes. Además, es vital utilizar enfoques como Zero-Touch junto con técnicas como autómatas de aprendizaje para minimizar la interacción humana en tareas complejas como la configuración de la red para satisfacer los requisitos de tráfico. Además, la explicabilidad es un aspecto clave de los autómatas de aprendizaje, que permite comprender mejor el comportamiento de la red, permitiendo conocer su evolución en el tiempo y el porqué de determinadas acciones. Por lo tanto, la eficacia operativa puede mejorar considerablemente automatizando la gestión de la red.