Software defined networking controlled energy optimization through traffic prediction on microwave access network

The work proposed in this Master’s Thesis presents a new approach at achieving energy optimization on components deployed across a Mobile Access Network using Traffic Prediction. Specifically, the study proposes a solution employing a probabilistic Deep Learning forecasting model that uses nodes’ historical data to provide expected future traffic patterns. The expected traffic is then used to propose a shutdown schedule for network components, ultimately reducing energy consumption. This work also produces a working and customizable architecture, prototyping a pipeline to develop customer-centric solutions, identifying the building principles and aspects to consider to include AI services successfully in a Software Defined Architecture.

Il lavoro proposto in questa tesi presenta un nuovo approccio per ottenere l’ottimizzazione energetica su componenti distribuiti in una rete di accesso Mobile utilizzando la predizione del traffico. In particolare, lo studio propone una soluzione che impiega un modello di previsione basato su Deep Learning probabilistico che utilizza i dati storici dei nodi per fornire modelli attesi di traffico futuro. Il traffico previsto viene quindi utilizzato per proporre un programma di spegnimento per i componenti di rete, riducendo così il consumo energetico. Questo lavoro produce anche un’architettura funzionante e personalizzabile, prototipiz- zando una pipeline per sviluppare soluzioni centrate sul cliente, identificando i principi costruttivi e gli aspetti da considerare per includere con successo i servizi di intelligenza artificiale in una Software Defined Architecture.