Design of cloud-native communications networks in mobile environments

Abstract

The advent of the 5th generation (5G) and beyond mobile networks will play a key role in addressing fundamental challenges related to a sustainable societal transformation and economic growth. These networks require a design that will support new service capabilities, enabling connectivity for a large number of devices, ubiquitous access with increased levels of mobility in heterogeneous environments and mission critical services with stringent performance requirements that need to be met in a cost-effective and energy-efficient way. However, to support these demanding and diverse services a paradigm shift is necessary that will enable migration from closed purposely developed infrastructures into open and elastic ecosystems. This can be achieved adopting flexible architectural models, and facilitating convergence of compute and network technologies. To this end, this thesis aims to exploit various architectural enhancements and technologies adopted from 5G/Beyond 5G (B5G) networks to design and deploy systems that can efficiently provide services in environments with varying levels of mobility. More specifically, it supports the idea of a universal 5G platform hosted in a cloud infrastructure that comprises interconnected compute, network and storage components. This platform is enhanced with suitable mathematical models, protocols and algorithms that are adapted and implemented with the aim to optimize the overall system performance. The thesis includes three distinct contributions that are implemented and experimentally validated through the use of an open-source toolset. The first contribution examines the architectural options provided by 5G/B5G networks and proposes efficient resource allocation strategies to enable optimal service delivery while addressing user mobility requirements. It introduces optimal resource management across various network segments, including the Radio Access Network (RAN), Core Network (CN), and Data Network (DN). These resources are virtualized and disaggregated to enhance flexibility in Network Function (NF) placement. To accommodate user mobility, this approach incorporates the feature of live Virtual Machine (VM) migration, which allows VMs hosting critical 5G functionalities to relocate dynamically as users move, ensuring uninterrupted service delivery. Furthermore, a multistage optimization framework is developed to achieve optimal allocation of both network and computational resources while minimizing operational costs. The analysis is supported by real-world mobility statistics and lab-based profiling measurements obtained from a 5G cloud testbed. The findings highlight trade-offs between latency and infrastructure costs, identifying optimal operational points for various scenarios. The second contribution focuses on the development of a multi-access connectivity system that integrates both 3GPP and non-3GPP access network technologies to support a diverse range of mobile User Equipment (UE). In this system, UEs with varying mobility patterns connect to the network, requesting the establishment of end-to-end (E2E) slices with the DN. When UEs connect via the 3GPP access network, their E2E slices are formed along paths that interconnect gNodeBs (gNBs), User Plane Functions (UPFs), and DN nodes. Conversely, for UEs opting for non-3GPP networks, connectivity to the DN is achieved through the Non-3GPP Interworking Function (N3IWF), which ensures secure communication and seamless integration into the network architecture. To address the optimal network selection problem, a resource allocation policy is proposed that aims to jointly minimize blocking rates for slow-moving UEs and dropping rates for fast-moving UEs. This approach is analytically evaluated using a two-dimensional Markov chain model. Additionally, the system's performance is validated through the cloud-based 5G testbed, providing key insights into E2E performance and resource consumption. Finally, in the third contribution a Management and Orchestration (MANO) framework is developed which is specifically designed for the orchestration operations of 5G networks. This framework emphasizes LifeCycle Management (LCM) of 5G components to establish an operational environment with minimal human intervention or manual configuration, aligned with the Zero-touch network (ZTN) Service Management (ZSM) paradigm. At the core of this framework an Artificial Intelligence (AI)/Machine Learning (ML) block with monitoring capabilities is present, performing decision-making across various layers of the infrastructure. This platform optimizes the allocation and orchestration of both networking and edge/cloud computing virtual resources, enhancing the overall efficiency and adaptability of the system. The proposed framework is validated through two use-cases. The first demonstrates the dynamic deployment of network slices on a softwarized, multi-operator, lab-based 5G platform. The second showcases a proactive User Plane Function (UPF) provisioning mechanism, which enables the system to predict future compute and network demands of a slice and dynamically adjust resource allocation to meet those demands effectively.

Η άφιξη των δικτύων 5ης γενιάς κινητών επικοινωνιών (5G) και πέραν αυτών (B5G) θα διαδραματίσει καθοριστικό ρόλο στην αντιμετώπιση θεμελιωδών προκλήσεων που σχετίζονται με τη βιώσιμη κοινωνική μεταμόρφωση και την οικονομική ανάπτυξη. Tα δίκτυα αυτά απαιτούν σχεδιασμό που θα υποστηρίζει νέες δυνατότητες υπηρεσιών, παρέχοντας ευρεία συνδεσιμότητα για μεγάλο αριθμό συσκευών με αυξημένα επίπεδα κινητικότητας σε ετερογενή περιβάλλοντα, καθώς και υπηρεσίες κρίσιμης σημασίας με αυστηρές απαιτήσεις απόδοσης, οι οποίες θα ικανοποιούνται με οικονομικά και ενεργειακά αποδοτικό τρόπο. Ωστόσο, για την υποστήριξη αυτών των απαιτητικών και ποικιλόμορφων υπηρεσιών απαιτείται η μετάβαση από τις υπάρχουσες κλειστές, εξειδικευμένες υποδομές σε ανοιχτά και ευέλικτα οικοσυστήματα τα οποία θα υιοθετούν ελαστικά αρχιτεκτονικά μοντέλα, επιτρέποντας τη σύγκλιση και την ενσωμάτωση διαφόρων τεχνολογιών πληροφορικής και δικτύων, όπως τα υπολογιστικά νέφη (cloud), η εικονικοποίηση (virtualization) και η αποσυγκέντρωση (disaggregation) των υπολογιστικών, δικτυακών και αποθηκευτικών πόρων. Προς αυτή την κατεύθυνση, η παρούσα διδακτορική διατριβή επιδιώκει να αξιοποιήσει διάφορα αρχιτεκτονικά μοντέλα και τεχνολογίες που υιοθετούνται από τα δίκτυα 5G/B5G για τον σχεδιασμό και την υλοποίηση συστημάτων που θα παρέχουν αποδοτικές υπηρεσίες σε περιβάλλοντα με ποικίλα επίπεδα κινητικότητας. Συγκεκριμένα, υποστηρίζει την ιδέα μιας καθολικής πλατφόρμας 5G, φιλοξενούμενης σε υποδομές νεφών, με ενοποιημενούς φυσικούς πόρους. Αυτή η πλατφόρμα θα ενσωματώσει διάφορα μαθηματικά μοντέλα, πρωτόκολλα και αλγορίθμους με στόχο τη βελτιστοποίηση της συνολικής απόδοσης του συστήματος. Η διατριβή επικεντρώνεται σε τρεις διακριτές συνεισφορές, οι οποίες υλοποιούνται και επικυρώνονται πειραματικά μέσω ενός συνόλου εργαλείων ανοικτού κώδικα. Η πρώτη συνεισφορά εξετάζει τις αρχιτεκτονικές επιλογές που παρέχονται από τα δίκτυα 5G/B5G και προτείνει αποτελεσματικές στρατηγικές κατανομής πόρων για τη βέλτιστη παροχή υπηρεσιών, λαμβάνοντας υπόψη τις απαιτήσεις κινητικότητας των χρηστών. Εξετάζει τη διαχείριση πόρων σε διάφορα τμήματα του δικτύου, όπως το Ραδιοδίκτυο Πρόσβασης (RAN), το Δίκτυο Πυρήνα (CN) και το Δίκτυο Δεδομένων (DN). Οι πόροι αυτοί εικονικοποιούνται και αποσυγκεντρώνονται για να ενισχυθεί η ευελιξία στην τοποθέτηση των Δικτυακών Λειτουργιών (NFs) μέσα στο δίκτυο. Για την υποστήριξη της κινητικότητας των χρηστών, γίνεται χρήση της δυνατότητας ζωντανής μεταφοράς Εικονικών Μηχανών (live VM migration), που επιτρέπει τη δυναμική μετακίνηση κρίσιμων λειτουργιών 5G, διασφαλίζοντας την απρόσκοπτη παροχή υπηρεσιών. Επίσης, αναπτύσσεται ένα πολυεπίπεδο πλαίσιο βελτιστοποίησης για τη βέλτιστη κατανομή δικτυακών και υπολογιστικών πόρων, ελαχιστοποιώντας τα λειτουργικά κόστη. Η ανάλυση βασίζεται σε στατιστικά πραγματικής κινητικότητας και μετρήσεις κατανάλωσης πόρων από μια εργαστηριακή υποδομή 5G σε cloud. Η δεύτερη συνεισφορά αφορά την ανάπτυξη ενός πολυτεχνολογικού ραδιοδικτύου πρόσβασης, που ενσωματώνει τεχνολογίες 3GPP και non-3GPP, με σκοπό την υποστήριξη μιας ευρείας γκάμας κινητών τερματικών. Χρήστες με διαφορετικά μοτίβα κινητικότητας συνδέονται στο δίκτυο, ζητώντας τη δημιουργία εικονικών δικτύων υπό την μορφή επί μέρους τεμαχίων της υπαρκτής δικτυακής υποδομής δικτύου (network slices) προκειμένου να εξυπηρετηθούν. Όταν οι συσκευές συνδέονται μέσω του δικτύου πρόσβασης 3GPP, τα τεμάχια δικτύου δημιουργούνται κατά μήκος της διαδρομής που διασυνδέει τον σταθμό βάσης (gNodeB-gNB), τους κόμβους Λειτουργίας Επιπέδου Χρήστη (UPFs) και το DN. Αντίθετα, για τις συσκευές που εξυπηρετούνται μέσω των non-3GPP δικτύων, η σύνδεση με το DN επιτυγχάνεται μέσω της Λειτουργίας Διασύνδεσης non-3GPP (N3IWF), η οποία διασφαλίζει την ασφαλή και απρόσκοπτη ενσωμάτωση των non-3GPP συσκευών στην αρχιτεκτονική του δικτύου. Για την αντιμετώπιση του προβλήματος βέλτιστης επιλογής δικτύου, προτείνεται μια πολιτική κατανομής πόρων που στοχεύει στη ταυτόχρονη ελαχιστοποίηση των ποσοστών απόρριψης για τους αργούς χρήστες και των ποσοστών διακοπής για τους γρήγορους χρήστες. Αυτή η προσέγγιση αξιολογείται θεωρητικά μέσω ενός δισδιάστατου μοντέλου Markov, καθώς και πρακτικά μέσω υλοποίησης στην πλατφόρμα. Τέλος, στην τρίτη συνεισφορά αναπτύσσεται ένα πλαίσιο Διαχείρισης και Ενορχήστρωσης (MANO), το οποίο έχει σχεδιαστεί ειδικά για τις λειτουργίες ενορχήστρωσης δικτύων 5G. Το πλαίσιο αυτό δίνει έμφαση στη διαχείριση του κύκλου ζωής (LCM) των 5G λειτουργιών, με στόχο τη δημιουργία ενός λειτουργικού περιβάλλοντος με ελάχιστη ανθρώπινη παρέμβαση, σε ευθυγράμμιση με το παράδειγμα της Διαχείρισης Υπηρεσιών Δικτύων Μηδενικής Παρέμβασης (ZSM). Στον πυρήνα του πλαισίου αυτού ενσωματώνεται μια μονάδα Τεχνητής Νοημοσύνης (AI) και Μηχανικής Μάθησης (ML) με δυνατότητες παρακολούθησης του δικτύου, η οποία λαμβάνει αποφάσεις σε διάφορα επίπεδα της υποδομής. Αυτή η πλατφόρμα βελτιστοποιεί την κατανομή και την ενορχήστρωση τόσο των δικτυακών όσο και των υπολογιστικών πόρων, ενισχύοντας τη συνολική αποδοτικότητα και προσαρμοστικότητα του συστήματος. Το προτεινόμενο πλαίσιο επικυρώνεται μέσω δύο περιπτώσεων χρήσης. Η πρώτη παρουσιάζει την δυναμική ανάπτυξη τεμαχίων δικτύου πάνω σε μια πολυλειτουργική πλατφόρμα 5G εργαστηριακού περιβάλλοντος βασισμένη σε λογισμικό. Η δεύτερη επιδεικνύει έναν προληπτικό μηχανισμό πρόβλεψης για τον απαιτούμενο αριθμό κόμβων UPF. Ο μηχανισμός αυτός επιτρέπει στο σύστημα να προβλέπει μελλοντικές απαιτήσεις κατανάλωσης πόρων για ένα τεμάχιο δικτύου και να προσαρμόζει δυναμικά την κατανομή πόρων ώστε να καλύπτει αποτελεσματικά αυτές τις ανάγκες του.