Aprendizaje Centralizado y Federado para la Autoscalación Predictiva de VNF en Redes 5G Multi-Dominio y Más Allá

La Virtualización de Funciones de Red (NFV) y la Computación en el Borde de Múltiples Accesos (MEC) son dos tecnologías que se espera que desempeñen un papel vital en las redes 5G y más allá. Sin embargo, se requieren mecanismos adecuados para satisfacer las demandas de servicio de red que cambian dinámicamente, a fin de utilizar los recursos de la red de manera óptima y también para satisfacer los exigentes requisitos de QoS. En particular, en escenarios multi-dominio, se debe abordar el desafío adicional de la aislamiento y la privacidad de los datos entre los dominios. Para ello, se prevé que las técnicas de orquestación de recursos impulsadas por Inteligencia Artificial (IA), tanto centralizadas como distribuidas (por ejemplo, autoscalado de función de red virtual (VNF)), sean el principal facilitador. En este trabajo, proponemos modelos de aprendizaje profundo, tanto enfoques centralizados como federados, que pueden realizar autoscalado horizontal y vertical en redes multi-dominio. El problema de autoscalado se modela como un problema de pronóstico de series temporales que predice el futuro número de instancias de VNF basado en la demanda de tráfico esperada. Evaluamos el rendimiento de varios modelos de aprendizaje profundo entrenados sobre un conjunto de datos de un operador de red comercial e investigamos los pros y los contras del aprendizaje federado sobre los enfoques de aprendizaje centralizado. Además, introducimos el prototipo de orquestación de Kubernetes impulsada por IA que implementamos aprovechando nuestra plataforma MEC y evaluamos el rendimiento de los modelos de aprendizaje profundo propuestos en una configuración práctica.