Metoda skalowania wydajności funkcji UPF w sieciach 5G bazująca na SI

• Autorzy: Sadura Krzysztof

Identyfikatory

DOI

10.15199/59.2024.4.21

Warianty tytułu

EN

AI-besed method of UPF’S performance scaling in the 5G networks

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (11-13.09.2024 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

W niniejszej pracy przedstawiono metodę horyzontalnego skalowania wydajności funkcji UPF na potrzeby sieci 5G. Proponowany algorytm dopasowuje liczbę uruchomionych instancji UPF do zmieniającego się okresowo obciążenia sieci na podstawie analitycznego modelu z teorii kolejek i prognozy ruchu sieciowego dokonanej przez rekurencyjną sieć neuronową LSTM. Wyniki przeprowadzonych eksperymentów symulacyjnych wykazały skuteczność rozwiązania oraz jego przewagę nad metodą proponowaną przez innych autorów.

EN

In this paper, I present a method for horizontal scaling of the UPF’s performance in the 5G network. The proposed algorithm adjusts the number of launched UPF instances to periodically evolving network load using an analytical model from queueing theory and network traffic prediction made by a recursive LSTM neural network. Simulation results showed the effectiveness of the solution and its advantage over the method from the literature.

Słowa kluczowe

PL

LSTM; sieć 5G; skalowanie; UPF

EN

5G network; LSTM; scaling; UPF

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2024
• Tom: nr 4
• Strony: 113--116
• Opis fizyczny: Bibliogr. 8 poz., rys., tab.

Twórcy

autor

Sadura Krzysztof

• Politechnika Warszawska

Bibliografia

• [1] C. Rotter and T. Van Do, “A Queueing Model for Threshold-Based Scaling of UPF Instances in 5G Core,” IEEE Access, vol. 9, pp. 81443–81453, 2021.
• [2] T. Subramanya and R. Riggio, “Centralized and Federated Learning for Predictive VNF Autoscaling in Multi-Domain 5G Networks and Beyond,” IEEE Transactions on Network and Service Management, vol. 18, no. 1, pp. 63–78, 2021.
• [3] T. Subramanya, D. Harutyunyan, and R. Riggio, “Machine Learning-Driven Service Function Chain Placement and Scaling in MEC-enabled 5G Networks,” Computer Networks, vol. 166, p. 106980, 2020.
• [4] H. D. Trinh, L. Giupponi, and P. Dini, “Mobile Traffic Prediction from Raw Data Using LSTM Networks,” in 2018 IEEE 29th Annual International Symposium on Personal, Indoor and Mobile Radio Communications, pp. 1827–1832, 2018.
• [5] Telecom Italia, “Telecommunications - SMS, Call, Internet - MI,” 2015.
• [6] K. W. Ross, “Chapter 2 - The Stochastic Knapsack,” in Multiservice Loss Networks for Broadband Telecommunications Networks, pp. 18–23, Springer-Verlag, 1995.
• [7] “free5GC.” https://www.free5gc.org. [Online] Acces- sed: 2024-05-11.
• [8] “Benchmarking Methodology for Network Interconnect Devices.” RFC 2544, Mar. 1999.