CBL - Campus del Baix Llobregat

Projecte llegit

Títol: DRL-based automation of Time Sensitive Networks (TSN)

Estudiants que han llegit aquest projecte:

Director/a: CERVELLÓ PASTOR, CRISTINA

Departament: ENTEL

Títol: DRL-based automation of Time Sensitive Networks (TSN)

Data inici oferta: 06-02-2024     Data finalització oferta: 06-10-2024


Estudis d'assignació del projecte:
    MU MASTEAM 2015
Tipus: Individual
 
Lloc de realització: EETAC
 
Paraules clau:
Time Sensitive Networking (TSN), Synchronous networks, Machine Learning (ML), Deep Learning (DL)
 
Descripció del contingut i pla d'activitats:
Descripció

5G obre la porta a desenvolupar diversos verticals, com ara vehicles autònoms (V2V), o Indústria 4.0, entre d'altres, que requereixen que la transmissió d'informació entre els elements de la xarxa sigui síncrona. El grup de treball de l'IEEE 802.1 ha estandarditzat els procediments i dispositius per crear una xarxa síncrona basada en Ethernet (IEEE 1588, 802.1Qav/Qas/Qcc, etc.).

En el mode centralitzat, la xarxa està composta per diferents elements, incloent els commutadors Ethernet (SW), els controladors (CNC), els elements que gestionen el control d'admissió (CUC) i els usuaris (listener/talker). En els ports de sortida del SW Ethernet, la transmissió síncrona de trames és governada per unes taules que controlen quines trames s'han d'escriure sobre les corresponents ranures temporals. Aquestes taules es controlen de forma centralitzada per la unitat ATS del CNC. Actualment, l'assignació de cada trama dels fluxos síncrons dels usuaris a les corresponents ranures temporals de cada SW es realitza configurant manualment les diferents entitats de CNC.
L'objectiu del TFM és gestionar automàticament, amb la mínima intervenció humana, l'assignació de les trames de trànsit heterogeni (síncron i asíncron) a les ranures temporals de manera que es compleixin els requisits de qualitat de servei dels fluxos demandats pels usuaris (listeners).

Per assolir aquest objectiu es proposa aplicar algorismes de ML, en particular de la família DL per automatitzar la gestió síncrona dels fluxos.

Pla de treball

El pla de treball consta de les següents accions:

- Realitzar una anàlisi de l'estat de l'art dels algorismes de ML - Crear un entorn de simulació que inclogui les funcionalitats bàsiques del gNB, els elements de O-RAN i les funcions necessàries del core de 5G
- Analitzar com es desenvolupen les xAPP i les service funcions del RIC
- Desenvolupar una xAPP i avaluar els algorismes de ML proposats de slicing que combinen els recursos ràdio i computació/emmagatzemament del MEC
- Integrar i validar les funcionalitats dels algorismes proposats a camp, sobre la plataforma del cas d'ús
- Redactar el TFM i publicar la proposta en un congrés o una revista internacional
 
Overview (resum en anglès):
This Master Thesis addresses the routing and scheduling assignment problem of Time Sensitive Networks (TSN), a set of standards that IEEE defined to provide low-latency reliable communications over Ethernet networks. The proposed solutions have been based on Deep Reinforcement Learning (DRL), a subset of Machine Learning that is very powerful in solving complex sequential decision-making problems. This work is part of the 6GSMART-EZ project, which aims to develop the integration of 5G and TSN networks, so one of the proposed solutions complies with this integration scenario.
First, some literature research is conducted to identify the problem to solve and be able to propose adequate solutions. Second, a centralised approach of DRL models has been implemented and tested on a simulated isolated private TSN network to support simple deployments that do not require any integration with 5G networks. Third, a distributed approach with an agent at each side of the 5G network has also been implemented. This approach proposed a network topology with two TSN networks integrated with a 5G network by creating two interconnection points.

© CBLTIC Campus del Baix Llobregat - UPC