다중 도메인 5G 네트워크 및 그 이상의 예측 VNF 자동 스케일링을 위한 중앙 집중식 및 분산 학습

네트워크 기능 가상화(Network Function Virtualization, NFV)와 다중 접속 엣지 컴퓨팅(Multi-access Edge Computing, MEC)은 5G 및 그 이상의 네트워크에서 중요한 역할을 할 것으로 예상되는 두 가지 기술입니다. 그러나 네트워크 리소스를 최적으로 활용하고 과도한 QoS 요구 사항을 만족시키기 위해서는 동적으로 변화하는 네트워크 서비스 요구를 충족할 수 있는 적절한 메커니즘이 필요합니다. 특히 다중 도메인 시나리오에서는 도메인 간의 격리 및 데이터 프라이버시라는 추가적인 문제를 해결해야 합니다. 이를 위해 중앙 집중식 및 분산 인공지능(AI) 기반 리소스 오케스트레이션 기술(예: 가상 네트워크 기능(VNF) 자동 스케일링)이 주요 촉진제로 예상됩니다. 본 연구에서는 다중 도메인 네트워크에서 수평 및 수직 자동 스케일링을 수행할 수 있는 중앙 집중식 및 분산 접근 방식의 딥러닝 모델을 제안합니다. 자동 스케일링 문제는 예상 트래픽 수요에 기반하여 미래의 VNF 인스턴스 수를 예측하는 시계열 예측 문제로 모델링됩니다. 우리는 상업 네트워크 운영자 데이터셋에서 훈련된 여러 딥러닝 모델의 성능을 평가하고 중앙 집중식 학습 방법에 대한 분산 학습의 장단점을 조사합니다. 또한, MEC 플랫폼을 활용하여 구현한 AI 기반 쿠버네티스 오케스트레이션 프로토타입을 소개하고 제안된 딥러닝 모델의 성능을 실질적인 설정에서 평가합니다.