Анализ влияния стратегий доступа к ресурсам на доход поставщика инфраструктуры при применении технологии сетевого слайсинга

  • Lyubov Olegovna Lapshenkova Российский университет дружбы народов http://orcid.org/0000-0002-1053-4925
  • Faina Alexandrovna Moskaleva Российский университет дружбы народов http://orcid.org/0000-0002-4082-5096
  • Yuliya Vasilyevna Gaidamaka Российский университет дружбы народов; Федеральный исследовательский центр "Информатика и управление" Российской академии наук http://orcid.org/0000-0003-2655-4805

Аннотация

В работе исследуется концепция технологии нарезки радиоресурса сети или т.н. «сетевого слайсинга» (Network Slicing) и особенности, связанные с внедрением данной технологии в сетях 5G. Под сетевым слайсингом авторы понимают одновременное использование несколькими арендаторами принадлежащего поставщику инфраструктуры ресурса для предоставления пользователям услуг, удовлетворяющих требованиям к качеству. Ключевым отличием сетевого слайсинга от классической концепции разделения ресурсов стало гибкое выделение ресурса в соответствии с текущей потребностью арендатора при строгом соблюдении изоляции слайсов, то есть защиты слайса каждого арендатора от всплесков нагрузки в слайсах других арендаторов. В статье представлена модель сетевого слайсинга, позволяющая анализировать влияние применения стратегий доступа к ресурсам и политик приема заявок в систему на средний доход поставщика инфраструктуры. Исследованы две стратегии управления доступом к ресурсам – «перенарезка» ресурса поставщиком инфраструктуры при каждом поступлении нового запроса пользователя (слайсинг по требованию) и «перенарезка» ресурсов через фиксированные интервалы времени (периодический слайсинг). Для каждой стратегии управления доступом рассмотрены две политики приема запроса в систему – прием запроса вне зависимости от дохода, который он принесёт арендатору (Always Admit policy), и прием только тех запросов, доход от которых превысит заранее установленный порог (Above Threshold policy). Для построенной математической модели процесса нарезки радиоресурса сети проведен численный эксперимент, иллюстрирующий зависимость среднего дохода поставщика инфраструктуры, упущенного дохода поставщика инфраструктуры для слайсинга по требованию и периодического слайсинга от структурных и нагрузочных параметров системы, в том числе, от интенсивности поступления заявок в систему и от емкости системы. Результаты численного эксперимента приведены в заключении в виде рекомендаций поставщику инфраструктуры по определению наиболее выгодной для него стратегии доступа к ресурсам и политики приема заявок в систему.

Сведения об авторах

Lyubov Olegovna Lapshenkova, Российский университет дружбы народов

магистрант кафедры прикладной информатики и теории вероятностей, факультет физико-математических и естественных наук

Faina Alexandrovna Moskaleva, Российский университет дружбы народов

аспирант кафедры прикладной информатики и теории вероятностей, факультет физико-математических и естественных наук

Yuliya Vasilyevna Gaidamaka, Российский университет дружбы народов; Федеральный исследовательский центр "Информатика и управление" Российской академии наук

профессор кафедры прикладной информатики и теории вероятностей, факультет физико-математических и естественных наук; старший научный сотрудник Института проблем информатики Российской академии наук, доктор физико-математических наук, доцент

Литература

1. Shafi M., et al. 5G: A Tutorial Overview of Standards, Trials, Challenges, Deployment, and Practice. IEEE Journal on Selected Areas in Communications. 2017; 35(6):1201-1221. (In Eng.) DOI: https://doi.org/10.1109/JSAC.2017.2692307
2. Attaran M. The impact of 5G on the evolution of intelligent automation and industry digitization. Journal of Ambient Intelligence and Humanized Computing. 2021. vol. 12. 17 p. (In Eng.) DOI: https://doi.org/10.1007/s12652-020-02521-x
3. Kleine D., Unwin T. Technological Revolution, Evolution and New Dependencies: What's New about ICT4D? Third World Quarterly. 2009; 30(5):1045-1067. (In Eng.) DOI: https://doi.org/10.1080/01436590902959339
4. Lu Y., Chen X., Xi R., Chen Y. An access selection mechanism in 5G network slicing. 2020 IEEE International Conference on Smart Internet of Things (SmartIoT). IEEE Press, Beijing, China; 2020. p. 72-78. (In Eng.) DOI: https://doi.org/10.1109/SmartIoT49966.2020.00020
5. Matencio-Escolar A., Wang Q., Alcaraz Calero J.M. SliceNetVSwitch: Definition, Design and Implementation of 5G Multi-Tenant Network Slicing in Software Data Paths. IEEE Transactions on Network and Service Management. 2020; 17(4):2212-2225. (In Eng.) DOI: https://doi.org/10.1109/TNSM.2020.3029653
6. Santos J.F, Kist M., Rochol J., DaSilva L.A. Virtual Radios, Real Services: Enabling RANaaS Through Radio Virtualisation. IEEE Transactions on Network and Service Management. 2020; 17(4):2610-2619. (In Eng.) DOI: https://doi.org/10.1109/TNSM.2020.3009863
7. Liu Y., Ding J., Liu X. A Constrained Reinforcement Learning Based Approach for Network Slicing. 2020 IEEE 28th International Conference on Network Protocols (ICNP). IEEE Press, Madrid, Spain; 2020. p. 1-6. (In Eng.) DOI: https://doi.org/10.1109/ICNP49622.2020.9259378
8. Montero R., Agraz F., Pagès A., Spadaro S. Real‐time maintenance of latency‐sensitive 5G services through network slicing. Photonic Network Communications. 2020; 40(3):221-232. (In Eng.) DOI: https://doi.org/10.1007/s11107-020-00897-6
9. De Domenico A., Liu Y.-F., Yu W. Optimal Virtual Network Function Deployment for 5G Network Slicing in a Hybrid Cloud Infrastructure. IEEE Transactions on Wireless Communications. 2020; 19(12):7942-7956. (In Eng.) DOI: https://doi.org/10.1109/TWC.2020.3017628
10. Wei F., Feng G., Sun Y., Wang Y., Qin S., Liang Y.-C. Network Slice Reconfiguration by Exploiting Deep Reinforcement Learning With Large Action Space. IEEE Transactions on Network and Service Management. 2020; 17(4):2197-2211. (In Eng.) DOI: https://doi.org/10.1109/TNSM.2020.3019248
11. Gligoroski D., Kralevska K. Expanded Combinatorial Designs as Tool to Model Network Slicing in 5G. IEEE Access. 2019; 7:54879-54887. (In Eng.) DOI: https://doi.org/10.1109/ACCESS.2019.2913185
12. Luu Q.-T., Kerboeuf S., Mouradian A., Kieffer M. A Coverage-Aware Resource Provisioning Method for Network Slicing. IEEE/ACM Transactions on Networking. 2020; 28(6):2393-2406. (In Eng.) DOI: https://doi.org/10.1109/TNET.2020.3019098
13. Qin Y., et al. Enabling Multicast Slices in Edge Networks. IEEE Internet of Things Journal. 2020; 7(9):8485-8501. (In Eng.) DOI: https://doi.org/10.1109/JIOT.2020.2991107
14. Zhou F., et al. Automatic Network Slicing for IoT in Smart City. IEEE Wireless Communications. 2020; 27(6):108-115. (In Eng.) DOI: https://doi.org/10.1109/MWC.001.2000069
15. Onur A., Shin’ichi A., Masayuki M. SDN-Based Control of IoT Network by Brain-Inspired Bayesian Attractor Model and Network Slicing. Applied Sciences. 2020; 10(17):5773. (In Eng.) DOI: https://doi.org/10.3390/app10175773
16. Kim D., Kim S. Network slicing as enablers for 5G services: state of the art and challenges for mobile industry. Telecommunication Systems. 2019; 71(3):517-527. (In Eng.) DOI: https://doi.org/10.1007/s11235-018-0525-2
17. Sattar D., Matrawy A. Optimal Slice Allocation in 5G Core Networks. IEEE Networking Letters. 2019; 1(2):48-51. (In Eng.) DOI: https://doi.org/10.1109/LNET.2019.2908351
18. Kreutz D., et al. Software-defined networking: A comprehensive survey. Proceedings of the IEEE. 2015; 103:14-76. (In Eng.) DOI: https://doi.org/10.1109/JPROC.2014.2371999
19. Alam I., et al. A Survey of Network Virtualization Techniques for Internet of Things Using SDN and NFV. ACM Computing Surveys. 2020; 53(2):35. (In Eng.) DOI: https://doi.org/10.1145/3379444
20. Bonfim M.S., Dias K.L., Fernandes S.F.L. Integrated NFV/SDN Architectures: A Systematic Literature Review. ACM Computing Surveys. 2019; 51(6):114. (In Eng.) DOI: https://doi.org/10.1145/3172866
21. Stamou A., Dimitriou N., Kontovasilis K., Papavassiliou S. Autonomic Handover Management for Heterogeneous Networks in a Future Internet Context: A Survey. IEEE Communications Surveys & Tutorials. 2019; 21(4):3274-3297. (In Eng.) DOI: https://doi.org/10.1109/COMST.2019.2916188
22. van der Meer S., Keeney J., Fallon L. 5G networks must be autonomic! NOMS 2018 ‒ 2018 IEEE/IFIP Network Operations and Management Symposium. IEEE Press, Taipei, Taiwan; 2018. p. 1-5. (In Eng.) DOI: https://doi.org/10.1109/NOMS.2018.8406185
23. Khan A.N., Kiah M.L.M., Khan S.U., Madani S.A. Towards secure mobile cloud computing: A survey. Future Generation Computer Systems. 2013; 29(5):1278-1299. (In Eng.) DOI: https://doi.org/10.1016/j.future.2012.08.003
24. Kar U.N., Sanyal D.K. An overview of device-to-device communication in cellular networks. ICT Express. 2018; 4(4):203-208. (In Eng.) DOI: https://doi.org/10.1016/j.icte.2017.08.002
25. Wang X., Kong L., Kong F., Qiu F., Xia M., Arnon S., Chen G. Millimeter Wave Communication: A Comprehensive Survey. IEEE Communications Surveys & Tutorials. 2018; 20(3):1616-1653. (In Eng.) DOI: https://doi.org/10.1109/COMST.2018.2844322
26. Vincenzi M., Lopez-Aguilera E., Garcia-Villegas E. Maximizing Infrastructure Providers’ Revenue Through Network Slicing in 5G. IEEE Access. 2019; 7:128283-128297. (In Eng.) DOI: https://doi.org/10.1109/ACCESS.2019.2939935
Опубликована
2021-09-30
Как цитировать
LAPSHENKOVA, Lyubov Olegovna; MOSKALEVA, Faina Alexandrovna; GAIDAMAKA, Yuliya Vasilyevna. Анализ влияния стратегий доступа к ресурсам на доход поставщика инфраструктуры при применении технологии сетевого слайсинга. Современные информационные технологии и ИТ-образование, [S.l.], v. 17, n. 3, p. 519-530, sep. 2021. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/746>. Дата доступа: 03 nov. 2024 doi: https://doi.org/10.25559/SITITO.17.202103.519-530.
Раздел
Теоретические вопросы информатики, прикладной математики, компьютерных наук