Development of an orchestrator for multi-access edge computing network

The fifth generation of mobile networks (5G) is at the center of “network society” realization, which offers ultra-wideband connectivity and low latency to not only individuals but also any object that is able to use an internet connection. Use cases are numerous including, autonomous and connected vehicles, energy, security applications, entertainment, and mostly mission-critical services. In such context aimed at improving the "User Experience", the quality of service opens up new performance challenges. The introduction of the "Cloud" in the computational load distribution and data storage through various segments of the infrastructure, for example "Edge Cloud Networks" in the edge areas (closer to the end user) constitutes the concept of "Multi-access Edge Computing” (MEC). It allows to better manage the huge amount of requests under different fundamental aspects such as service latency requirements, optimization of computing resources availability based on traffic type, and minimization of calculation costs. One of many performance indicators (Key Performance Indicator - KPI) is the maximum latency defined for each type of service and traffic. The basic reason for MEC is application execution, and the consequent allocation of part of the related calculation load, in the cloud network closest to the service user (edge network) in order to reduce network congestion and thus maintain the response delay always under predefined latency limits for each traffic type. This technology is designed to be implemented in "base stations" and other peripheral nodes. The aim of this thesis is to build an orchestrator that uses the optimization algorithm provided in [1] to adequately scale the computing resources in a MEC network. Based on network parameters such as traffic variation, the optimization mechanism identifies an optimal resources allocation in terms of creating virtual machines in each node belonging to the network and defines routing tables in order to maintain minimum latency for several traffic classes.

La quinta generazione di reti mobili (5G) è al centro della realizzazione di “una società connessa” offrendo connettività a banda ultra-larga ed bassa latenza oltre che alle persone a qualsiasi oggetto che può usufruire di una connessione internet. Casi d’uso sono numerosi tra cui, veicoli autonomi e connessi, energia, applicazioni di sicurezza, intrattenimento e soprattutto servizi mission-critical. In tale contesto orientato a migliorare la “User Experience”, la qualità di servizio apre nuove sfide di prestazione. L’introduzione del “Cloud” nella distribuzione del carico di calcolo e lo storage di dati attraverso vari segmenti della infrastruttura ad esempio “Edge Cloud Networks” o reti cloud nelle zone più esterne (più vicine all’utente finale) costituisce il concetto di “Multi-access Edge Computing” (MEC). Esso permette gestire meglio la mole di richieste sotto diversi aspetti fondamentali quali, requisiti di latenza di servizio, ottimizzazione della disponibilità delle risorse di calcolo in base al tipo di traffico, minimizzazione dei costi di calcolo. Uno tra tanti indicatori di prestazione (Key Performance Indicator - KPI) è la massima latenza definita per ogni tipo di servizio e traffico. L’idea di base di MEC è esecuzione delle applicazioni, e la conseguente allocazione di parte del carico di calcolo correlato, nella rete cloud più vicina al richiedente del servizio (edge network) al fine di ridurre la congestione della rete e quindi mantenere il ritardo di risposta sempre contenuto nei limiti predefiniti per ciascun tipo di traffico. Questa tecnologia è progettata per essere implementata nelle “base station” ed in altri nodi periferici. L'obiettivo di questa tesi è quello di costruire un orchestratore che sfrutta l'algoritmo di ottimizzazione fornito in [1] per ridimensionare adeguatamente le risorse di calcolo in una rete MEC. Basandosi su parametri di rete come la variazione del traffico, il meccanismo di ottimizzazione identifica un’allocazione ottimale delle risorse in termini di creazione di macchine virtuali nei nodi appartenenti alla rete e definizione di tabelle di instradamento al fine di mantenere minima, la latenza per diversi classi di traffico.