Machine learning based management and monitoring of next-generation communication networks

Communication networks are witnessing an unprecedented growth in the number of connected devices, which will determine a dramatic increase in traffic demand. Concurrently, the evolution of 5G technology as well as non-legacy networking paradigms (e.g., M2M communications, industrial IoT, etc.) is creating a huge variety of new, vertical services and applications, which will further increase the pressure on today's networking infrastructures to meet requirements and customers' expectations. Such a complex scenario calls network operators for continuously investing in all network domains to boost the network performance and increase the efficiency of dimensioning and management processes. This is because ensuring high Quality of Experience (QoE) to Internet users is of paramount importance to keep high profits from the offered services, as a satisfied customers base on the one hand attracts new customers due to high satisfaction ratings and on the other hand reduces the churning rate, i.e., the percentage of users who stop their subscription and move to a different operator. However, a major issue is that traditional approaches to network deployment, design, and management are rapidly becoming inadequate to handle such a complex tangle of services and applications. In my vision, next-generation communication networks will not keep pace without a substantial revolution of the network infrastructure. In this vein, my Ph.D. work fosters the development of networking strategies to enable intelligent, Quality-of-Service (QoS) and QoE oriented network behaviors and explores the potentialities of Artificial Intelligence (AI) to serve as a game-changing technology for the design of flexible, dynamic, and proactive communication networks. Focusing on Machine Learning (ML) as the most popular approach to AI, this thesis evaluates the impact of data-driven, ML-based approaches on the efficiency of network monitoring, resource management and service-oriented infrastructure dimensioning with respect to mobile, fixed and sensors networks. We analyze pros and cons deriving from the integration of the proposed strategies into the selected networking environments, providing operators with generalizable guidelines about the adoption of intelligence-based networking tools. While highlighting the challenges that characterize the development of AI-assisted networking systems, results confirm the benefit that intelligence can have on network services performance as well as on the efficiency of network management and monitoring processes. In particular, we show that: i) network measurements data, gathered from both user equipment and network terminals, can be used by operators to predict the quality of users' experience in their network, ii) the efficiency of network monitoring and anomaly detection processes can be improved by providing network systems with intelligent capabilities, and iii) network intelligence can be used to enable anticipatory network management and proactive provisioning of resources, as well as to assist a network service in a specific domain by leveraging the knowledge acquired from a different, but related, network domain.

Le reti di comunicazione stanno assistendo ad una crescita senza precedenti del numero di dispositivi connessi, che determinerà un aumento massivo del traffico dati. Allo stesso tempo, l'evoluzione della tecnologia 5G così come lo sviluppo di nuovi paradigmi di rete (ad esempio, comunicazioni M2M, IoT industriale, etc.) determinerà la comparsa di nuovi servizi ed applicazioni, i quali renderanno ulteriormente complicato l'obiettivo delle infrastrutture di rete odierne di soddisfare i requisiti e le aspettative degli utenti. Questo complesso scenario richiede agli operatori investimenti continui volti a migliorare le performance di rete ed aumentare l'efficienza dei processi di dimensionamento e gestione della rete. Infatti, garantire la qualità dell'esperienza agli utenti della rete è di cruciale importanza per mantenere alti i profitti derivanti dai servizi offerti, dato che una bacino di utenti soddisfatto attrae nuovi utenti e riduce il tasso di abbandono (churning rate), ovvero la percentuale di utenti che interrompe il contratto con un operatore di rete a favore di un competitor. Tuttavia, un problema importante consiste nel fatto che i metodi tradizionali di progettazione e gestione della rete stanno diventando rapidamente inadeguati per fronteggiare l'aumento di complessità di cui sopra. Nella mia visione, le reti di nuova generazione non potranno prescindere da una profonda e sistematica rivoluzione. In questo contesto, il mio lavoro di ricerca supporta lo sviluppo di strategie di gestione della rete che siano orientate alla Qualità del Servizio (QoS) e alla Qualità dell'Esperienza (QoE). In particolare, la mia ricerca esplora l'utilizzo dell'Intelligenza Artificiale (AI) come strumento fondamentale per la progettazione di architetture di rete flessibili e proattive. Utilizzando il Machine Learning (ML) come approccio principale all'intelligenza artificiale, questa tesi valuta l'impatto di strategue data-driven sull'efficienza dei processi di monitoraggio della rete e gestione delle risorse, rispetto a reti mobili e fisse. Si analizzano aspetti positivi e negativi relativi all'integrazione di strategie intelligenti nei processi di rete e si forniscono linee guida utili ad un operatore di rete per l'implementazione effettiva di tali strategie. Nonostante le sfide che caraterizzano l'utilizzo concreto dell'intelligenza artificiale come supporto alle reti di comunicazione, i risultati confermano il beneficio che questo strumento può avere sia sulle performance della rete che sui processi gestionali. In particolare, il mio lavoro dimostra che: i) sorgenti di dati di rete eterogenee possono essere utilizzate per predire la qualità dell'esperienza degli utenti, ii) l'efficienza dei processi di monitoraggio e riconsocimento di anomalie nella rete può essere migliorata in seguito all'utilizzo di strumenti intelligenti, iii) l'intelligenza di rete può essere utilizzata per abilitare gestioni proattive delle risorse, cosi come per assistere servizi di rete sfruttando conoscenze provenienti da domini di rete eterogenei fra loro.