Characterizing and improving decision-making in Fog Radio Access Networks

Abstract

Fog Radio Access Networks (F-RANs) são o resultado da aplicação de paradigmas de fog/edge computing em cloud radio access networks, herdando componentes e aspectos de ambos. As técnicas de Inteligência Artificial (IA) podem ser aplicadas às F-RANs para obter maior eficiência energética, maior rendimento e/ou menor consumo de energia de processamento, e melhor tomada de decisão em diferentes situações. No entanto, para selecionar uma técnica apropriada de IA a ser aplicada, é necessário levar em consideração as diferentes granularidades de tempo nas quais a tomada de decisão ocorre em F-RANs. Na primeira parte deste trabalho são discutidos os benefícios e desafios da implementação de uma F-RAN orientado a IA, considerando três granularidades de tempo. Para cada granularidade, são destacadas as principais técnicas de aprendizado, como redes neurais profundas, aprendizado de reforço, aprendizado on-line e classificadores. Para permitir a integração entre soluções de IA, é proposta uma arquitetura multiagente para F-RANs. Além disso, é explorado um problema específico a partir da granularidade de horas. Nesse sentido, são investigadas oportunidades para as operadoras reduzirem seus gastos através da alocação ideal de virtual Base Band Units (vBBUs). A alocação ideal pode gerar oportunidades de receita adicionais, alugando recursos de processamento ocioso para Application Service Providers (ASPs). Em particular, o desafio de melhorar a alocação de vBBU em termos da atribuição ideal das cargas de trabalho entre Remote Radio Heads (RRHs) e Micro Data Centers (MDCs), considerando o trade-off entre a distância entre MDC e RRH e o consumo de poder de processamento. Assim, é proposto um modelo de otimização para decidir as atribuições entre MDCs e RRHs. A solução ideal é obtida por meio de Binary Integer Linear Programming. A solução é avaliada aplicando um conjunto de dados Call Detail Records reais, simulando diferentes regiões de Milão. A técnica de agrupamento k-means foi utilizada para identificar o comportamento do tráfego de Internet em diferentes regiões de Milão. Os resultados destacam oportunidades para as operadoras explorarem sua infraestrutura e aumentarem seus ganhos.