Machine-learning defined networking: applications for the 5G metro-core

With the advent of 5G technology and an ever-increasing traffic demand, today Communication Service Providers (CSPs) experience a progressive congestion of their networks. The operational complexity, the use of manual configuration, the static nature of current technologies together with fast-changing traffic profiles lead to: inefficient network utilization, over-provisioning of resources and very high Capital Expenditures (CapEx) and Operational Expenses (OpEx). This situation is forcing the CSPs to change their underlying network technologies, and have started to look at new technological solutions that increase the level of programmability, control, and flexibility of configuration, while reducing the overall costs related to network operations. Software Defined Networking (SDN) and Network Function Virtualization (NFV) are accepted as effective solutions to reduce CapEx and OpEx and to boost network innovation. Although the implementation of SDN and NFV in networking gained big momentum in the last years, it also brings a whole new level of complexity. Virtualization breaks traditional networking into dynamic components and layers that have to work in unison and that can change at any given time. The high complexity introduced by these new technologies has led to the research for increasingly smart algorithms to optimize the network resource allocation. This thesis investigates new Machine Learning (ML) based algorithms in order to efficiently optimize resources in 5G metro-core SDN/NFV networks. The main goal is to provide the modern CSP with intelligent and dynamic network optimization tools in order to address the requirements of increasing traffic demand and 5G technology. The present study can be divided in two main activities: 1) propose novel ML algorithms in order to optimize the resource allocation of 5G metro-core networks; 2) implement the proposed algorithms in different emulated and real network scenarios. The first activity starts by investigating the three branches of ML, that are: supervised, unsupervised and reinforcement learning. Exploiting different kind of network data, we develop supervised learning algorithms in order to predict network traffic in mobile-metro-core networks in order to optimize resource allocation in advance and to proactively route connections. Then, we focus on unsupervised learning algorithms in order to identify typical traffic patterns in SDN/NFV mobile-metro networks. Taking advantage of this patterns, the goal is to predict how and when to optimize the resource allocation in the underlying physical network. After investigating supervised and unsupervised techniques, we focus on reinforcement learning techniques with the aim to build an intelligent system capable of optimizing the network resource allocation given the actual and historical observations of the state of the network. Finally, we implement ML-based algorithms on different emulated and real SDN/NFV testbed scenarios. First, we develop the network planner module under the framework of an European project called Metro-Haul, in which ML-based algorithms interact with the control plane of the proposed SDN/NFV orchestration infrastructure. Then, we develop an experimental SDN/NFV service orchestrator called SENATUS, able to host and quickly test various ML algorithms. We present two testbed scenarios to show the capability of SENATUS to integrate both Information Technology (IT) and networking resources. As last, we develop different ML-based performance monitoring tools for Enterprise Networking (EN) by means of Software Defined Wide Area Networking (SD-WAN) technology. It represents a revolutionary way to simplify Enterprise networks and achieve optimal application performance using centrally managed WAN virtualization. In particular, we present two testbeds based on open source components with the aim to test classical and ML-based performance monitoring algorithms.

Con l'avvento della tecnologia 5G e una richiesta di traffico in costante aumento, oggi i fornitori di servizi di comunicazione (CSP) sperimentano una progressiva congestione delle loro reti. La complessità operativa, l'uso della configurazione manuale, la natura statica delle tecnologie attuali insieme a profili di traffico in rapida evoluzione portano a: utilizzo inefficiente della rete, eccesso di approvvigionamento di risorse e spese di capitale molto elevate (CapEx) e spese operative (OpEx). Questa situazione sta costringendo i CSP a cambiare le loro tecnologie di rete e hanno iniziato a esaminare nuove soluzioni tecnologiche che aumentano il livello di programmabilità, controllo e flessibilità della configurazione, riducendo al contempo i costi complessivi relativi alle operazioni di rete. Software Defined Networking (SDN) e Network Function Virtualization (NFV) sono accettati come soluzioni efficaci per ridurre CapEx e OpEx e favorire l'innovazione della rete. Sebbene l'implementazione di SDN e NFV nel networking abbia avuto un grande slancio negli ultimi anni, essi portano anche un livello completamente nuovo di complessità. La virtualizzazione suddivide le reti tradizionali in componenti e livelli dinamici che devono funzionare all'unisono e che possono cambiare in qualsiasi momento. L'elevata complessità introdotta da queste nuove tecnologie ha portato alla ricerca di algoritmi sempre più intelligenti per ottimizzare l'allocazione delle risorse di rete. Questa tesi indaga nuovi algoritmi basati su Machine Learning (ML) al fine di ottimizzare in modo efficiente le risorse nelle reti 5G metro-core SDN/NFV. L'obiettivo principale è fornire al moderno CSP strumenti di ottimizzazione di rete intelligenti e dinamici al fine di soddisfare le esigenze di aumento della domanda di traffico e della tecnologia 5G. Il presente studio può essere suddiviso in due attività principali: 1) proporre nuovi algoritmi basati su ML al fine di ottimizzare l'allocazione delle risorse delle reti 5G metro-core SDN/NFV; 2) implementare gli algoritmi proposti in diversi scenari di rete emulati e reali. La prima attività inizia studiando le tre branche del ML: supervised, unsupervised e reinforcement learning. Sfruttando diversi tipi di dati di rete, sviluppiamo algoritmi supervised al fine di prevedere il traffico di rete nelle reti mobili-metro-core al fine di ottimizzare l'allocazione delle risorse in anticipo e instradare in modo pro-attivo le connessioni. Dopodiché, ci concentriamo su algoritmi unsupervised al fine di identificare i pattern di traffico tipici nelle reti mobili-metro SDN/NFV. Sfruttando questi pattern, l'obiettivo è di prevedere come e quando ottimizzare l'allocazione delle risorse nella rete fisica. Dopo aver studiato le tecniche supervised e unsupervised, ci concentriamo sulle tecniche basate su reinforcement learning con l'obiettivo di costruire un sistema intelligente in grado di ottimizzare l'allocazione delle risorse di rete alla luce delle osservazioni reali e storiche dello stato della rete. Infine, implementiamo algoritmi basati su ML su diversi scenari SDN/NFV (testbed) emulati e reali. Innanzitutto, sviluppiamo il modulo di pianificazione di rete nell'ambito di un progetto Europeo chiamato Metro-Haul, in cui gli algoritmi basati su ML interagiscono con il piano di controllo dell'infrastruttura di orchestrazione SDN/NFV. Quindi, sviluppiamo un orchestratore di servizi SDN/NFV sperimentale chiamato SENATUS, in grado di ospitare e testare rapidamente vari algoritmi ML. Presentiamo due testbed per mostrare la capacità di SENATUS di integrare sia le tecnologie IT che le risorse di rete. Come ultimo, sviluppiamo diversi strumenti di monitoraggio delle prestazioni basati su ML per Enterprise Networking (EN) mediante la tecnologia Software Defined Wide Area Networking (SD-WAN). Quest'ultima, rappresenta un modo rivoluzionario per semplificare le reti aziendali e ottenere prestazioni ottimali delle applicazioni utilizzando la virtualizzazione della rete di trasporto gestita centralmente. In particolare, presentiamo due testbed basati su componenti open source con l'obiettivo di testare algoritmi di monitoraggio delle prestazioni classici e basati su ML.