Network performance prediction using graph neural networks: application to network slicing

• Autores: Miquel Farreras Casamort
• Directores de la Tesis: Lluís Fàbrega i Soler (dir. tes.), Pere Vilà Talleda (dir. tes.)
• Lectura: En la Universitat de Girona ( España ) en 2024
• Idioma: inglés
• Tribunal Calificador de la Tesis: Jordi Perelló Muntan (presid.), Josep Lluís Marzo i Lázaro (secret.), Daniela Aguirre Guerrero (voc.)
• Programa de doctorado: Programa de Doctorado en Tecnología por la Universidad de Girona
• Enlaces
  • Tesis en acceso abierto en: TDX
• Resumen
  • español

    Esta tesis aborda los retos clave en la optimización del network slicing en redes Beyond 5G (B5G), centrándose en el uso de Graph Neural Networks (GNNs) para la predicción del rendimiento y la asignación de recursos. La tesis se estructura en tres partes principales: mejora de un modelo GNN existente para la predicción de Key Performance Indicators (KPIs), creación de conjuntos de datos sobre network slicing y creación de un modelo GNN para predecir KPIs de network slicing.

    El objetivo final de este trabajo es construir un modelo para predecir los KPIs de network slicing. Los modelos GNNs son una técnica nueva y potente para aprender con precisión a partir de datos estructurados en grafos, lo que los hace adecuados para predecir KPIs de red. Para aprender la programación GNNs, la primera parte de este trabajo describe la participación en un challenge organizado por la ITU. Se explora la gestión autónoma de redes, que es esencial para los entornos dinámicos de las redes B5G. También se exploran las limitaciones de las herramientas de modelado tradicionales y de los simuladores de red, proponiendo las GNNs como una alternativa eficaz debido a su alta precisión y sus relativamente bajos requerimientos computacionales. Una contribución significativa es la mejora del modelo base RouteNet, consiguiendo una mejora en la precisión de predicción para redes de mayor tamaño al visto durante el entrenamiento.

    Puesto que el objetivo es construir un modelo basado en GNNs para predecir los KPIs de network slicing, y se identifica una carencia de datos que contengan escenarios de network slicing, la segunda parte presenta la creación de un conjunto de datos de network slicing diseñado para apoyar la predicción del rendimiento basada en IA en las redes B5G. Este conjunto de datos, generado a través de un simulador a nivel de paquetes, incluye varios escenarios de red con diferentes topologías, instancias de slice y flujos de tráfico, capturando las complejidades de los tipos de slice Enhanced Mobile Broadband (eMBB), Ultra-Reliable Low-Latency Communication (URLLC) y Massive Internet of Things (mIoT). El conjunto de datos es un valioso recurso para la comunidad investigadora, ya que facilita las innovaciones en la gestión de recursos y el network slicing.

    Después de crear los datos necesarios, el modelo GNN llamado GNNetSlice se desarrolla en la tercera parte, presentando un nuevo modelo que aprovecha GNNs para predecir el rendimiento de los network slices en el core y la red de transporte. Al adoptar un enfoque basado en datos, GNNetSlice equilibra la velocidad y precisión de predicción. El modelo demuestra una gran precisión a la hora de predecir retrasos, fluctuaciones de retraso y pérdidas en varios escenarios.

    Por lo general, esta tesis hace contribuciones al campo del network slicing, proporcionando herramientas y conjuntos de datos para una predicción KPI eficiente y precisa en las redes B5G. Los modelos y conjuntos de datos propuestos abren el camino para soluciones de gestión de redes más resistentes y adaptativas, cruciales para la próxima generación de redes móviles.

  • català

    Aquesta tesi aborda els reptes clau en l’optimització del network slicing en xarxes Beyond 5G (B5G), centrant-se en l’ús de Graph Neural Networks (GNNs) per a la predicció del rendiment i l’assignació de recursos. La tesi s’estructura en tres parts principals: millora d’un model GNN existent per a la predicció de Key Performance Indicators (KPIs), creació de conjunts de dades sobre network slicing i un model de GNN per predir KPIs de network slicing. L’objectiu final d’aquest treball és construir un model per predir els KPIs de network slicing. Els models GNNs són una tècnica nova i potent per aprendre amb precisió a partir de dades estructurades en grafs, la qual cosa els fa adequats per predir KPIs de xarxa. Per aprendre la programació de GNNs, la primera part d’aquest treball descriu la participació en un challenge organitzat per la ITU. S’explora la gestió autònoma de xarxes, que és essencial per als entorns dinàmics de les xarxes B5G. També s’exploren les limitacions de les eines de modelatge tradicionals i dels simuladors de xarxa, proposant les GNNs com una alternativa eficaç a causa de la seva alta precisió i els seus relativament baixos requeriments computacionals. Una contribució significativa és la millora del model base RouteNet, aconseguint una millora en la precisió de predicció per a xarxes més grans, respecte les vistes durant l’entrenament. Ja que l’objectiu és construir un model basat en GNNs per predir els KPIs de network slicing, i s’identifica una manca de dades que continguin escenaris de network slicing, la segona part presenta la creació d’un conjunt de dades de network slicing dissenyat per donar suport a la predicció del rendiment basada en Artificial Intelligence (AI) a les xarxes B5G. Aquest conjunt de dades, generat a través d’un simulador a nivell de paquets, inclou diversos escenaris de xarxa amb diferents topologies, instàncies de slice i fluxos de trànsit, capturant les complexitats dels tipus de slice Enhanced Mobile Broadband (eMBB), Ultra-Reliable Low-Latency Communication (URLLC) i Massive Internet of Things (mIoT). El conjunt de dades és un recurs valuós per a la comunitat investigadora, ja que facilita les innovacions en la gestió de recursos i el network slicing. Després de crear les dades necessàries, el model GNN anomenat GNNetSlice es desenvolupa a la tercera part, introduint un nou model que aprofita GNNs per predir el rendiment dels network slices al core i la xarxa de transport. En adoptar un enfocament basat en dades, GNNetSlice equilibra la velocitat i la precisió de predicció. El model demostra una gran precisió a l’hora de predir retards, fluctuacions de retard i pèrdues en diversos escenaris. En general, aquesta tesi fa contribucions al camp del network slicing, proporcionant eines i conjunts de dades per a una predicció KPI eficient i precisa a les xarxes B5G. Els models i conjunts de dades proposats obren el camí per a solucions de gestió de xarxes més resistents i adaptatives, crucials per a la propera generació de xarxes mòbils.

  • English

    This thesis addresses key challenges in the optimization of network slicing in Beyond 5G (B5G) networks, focusing on the use of Graph Neural Networks (GNNs) for performance prediction and resource allocation. It is structured into three main parts: improvement of an existing GNN model for Key Performance Indicator (KPI) prediction, dataset creation for network slicing, and the creation of a GNN model for predicting network slicing KPIs. The ultimate goal of this work is to build a model for predicting network slicing KPIs. GNNs models are a novel and powerful technique for accurately learning from graph-structured data, making them suitable for predicting network KPIs. To learn GNNs programming, the first part of this work describes the participation in a ITU challenge. Autonomous network management is explored, being essential for the dynamic environments expected in B5G networks. The limitations of traditional modeling tools and network simulators are also explored, proposing GNNs as an effective alternative due to their high accuracy and low computational requirements. A significant contribution is the enhancement of the RouteNet baseline model, achieving an improvement in prediction accuracy for larger networks, in comparison to the networks seen during training. As the goal is to build a GNNs model for predicting network slicing KPIs, and a lack of data containing network slicing scenarios is identified, the second part presents a the creation of a network slicing dataset designed to support Artificial Intelligence (AI)-based performance prediction in B5G networks. This dataset, generated through a packet-level simulator, includes diverse network scenarios with varying topologies, slice instances, and traffic flows, capturing the complexities of Enhanced Mobile Broadband (eMBB), Ultra-Reliable Low-Latency Communication (URLLC), and Massive Internet of Things (mIoT) slices. The dataset is a valuable resource for the research community, facilitating innovations in network slicing and resource management. After creating the required data, the GNN model called GNNetSlice is developed in part three, introducing a novel model that leverages GNNs to predict the performance of network slices in the core and transport network. By adopting a data-driven approach, GNNetSlice balances prediction speed and accuracy. The model demonstrates high accuracy in predicting delay, jitter, and losses across various scenarios. Overall, this thesis makes contributions to the field of network slicing, providing tools and datasets for efficient and accurate KPI prediction in B5G networks. The proposed models and datasets pave the way for more resilient and adaptive network management solutions, crucial for the next generation of mobile networks.