Control de admisión basado en aprendizaje por refuerzo profundo para el servicio de cirugía remota en 5G

Abstract

Los slices de red para el servicio de cirugía remota representan un desafío importante para las redes 5G dados sus estrictos requisitos en términos de confiabilidad y latencia. Múltiples solicitudes de slices de red para cirugía remota llegarán a un proveedor de infraestructura que deberá atenderlas y satisfacerlas eficientemente. Un mecanismo de Control de Admisión de slices de red puede contribuir al cumplimiento de los requisitos impuestos por el servicio de cirugía remota. La literatura revela que existen propuestas basadas en Teoría de Colas, Heurísticas, aprendizaje por refuerzo y aprendizaje por refuerzo profundo, sin embargo, estas propuestas no consideran la satisfacción de la latencia en los slices de red para la cirugía remota y la optimización del lucro, como una tarea conjunta. Este trabajo de grado propone un mecanismo de control de admisión enfocado en cirugía remota, para satisfacer los altos requerimientos de latencia de este servicio y la optimización del lucro de los proveedores de infraestructura. Este mecanismo es simulado en topologías de red con 32 y 64 nodos basadas en Puntos de Presencia de la Infraestructura de virtualización de funciones de red y evaluado mediante el lucro y la tasa de satisfacción de latencia. Los resultados muestran que este mecanismo logra un equilibrio adecuado entre la tasa de satisfacción y la optimización del lucro, demostrando ser una solución viable para un control de admisión de slices de red enfocado en cirugía remota.