Towards AI-based Network Programmability as an enabler for Zero-touch management and orchestration in B5G infrastructures

Abstract

La llegada de las redes de próxima generación (NGNs) exige una mayor flexibilidad y automatización en las infraestructuras de comunicaciones. La integración de la inteligencia artificial (IA) permitirá alcanzar mayores velocidades y menor latencia, requisitos clave para la aparición de servicios disruptivos en diversos sectores. La proliferación de tecnologías de virtualización en estas áreas plantea desafíos de interoperabilidad que las funciones de gestión y orquestación basadas en IA pueden resolver mediante la automatización de la toma de decisiones. La evolución de las funciones de red basadas en IA permitirá la orquestación predictiva, optimizando la gestión del tráfico, la ubicación de recursos y la configuración de servicios. Esto conducirá a la gestión zero-touch (ZSM), minimizando la intervención humana y maximizando la eficiencia de la red. Además, se espera que las arquitecturas tradicionales de red y computación converjan en un continuo de computación que abarque desde la nube hasta los dispositivos finales. Esto democratizará el uso de recursos, aumentará la capacidad de respuesta y reducirá la latencia. Para avanzar en el estado del arte y hacer frente a estos retos, el objetivo principal de esta tesis es explorar las necesidades actuales de las NGNs para adoptar capacidades ZSM plenamente funcionales. Se pretende proporcionar la integración de diferentes tecnologías que permitan la gestión rápida del plano de datos, por ejemplo, el procesamiento eficiente de paquetes, dirigido por funciones de red basadas en IA que permitan la gestión autónoma de la red en tiempo real. Para alcanzar dichos objetivos, el trabajo se dividió en diferentes líneas de investigación que convergen para componer esta tesis doctoral. En primer lugar, hubo una fase de búsqueda y estudio, en la que se revisó la literatura para conocer en profundidad el estado del arte de ZSM, ML aplicado a redes de comunicaciones, actividades de estandarización y proyectos de investigación enfocados en NGNs. Una vez hecho esto, se exploraron y examinaron las herramientas y tecnologías más utilizadas en estas áreas, con el fin de seleccionar las más adecuadas para lograr la reprogramabilidad inteligente de la red en escenarios ZSM. eBPF fue la tecnología de procesamiento de paquetes seleccionada tras compararla experimentalmente con P4. eBPF demostró que es una solución flexible, sencilla y rentable que puede desplegarse en múltiples escenarios sin requisitos de hardware prohibitivos. Al utilizar eBPF como tecnología de procesamiento de tráfico, la siguiente etapa consistió en seleccionar los algoritmos de ML adecuados para analizar el tráfico y reaccionar automáticamente ante cambios, interrupciones o amenazas en la red. La revisión de la literatura inicial reveló que las redes neuronales son uno de los pilares fundamentales para permitir la toma de decisiones inteligentes en entornos ZSM. De este modo, se realizó un desarrollo para combinar el procesamiento de paquetes en eBPF con redes neuronales para obtener capacidades de gestión y control de la red habilitadas por ML. Como resultado, se integró en el kernel de Linux un pipeline de manejo de paquetes basado ML, acelerando así la ejecución eficiente de algoritmos de IA. Para validar la implementación desarrollada, se exploró un caso de uso real, en el que la solución procesaba el tráfico en vivo mientras se utilizaba una red neuronal para detectar ataques. Finalmente, con todo el conocimiento adquirido durante el desarrollo de estas líneas de investigación, se realizó un ejercicio final para concebir los aspectos clave que impulsarán el diseño de las futuras infraestructuras 6G. El exigente y desafiante vertical vehicular fue estudiado desde el punto de vista de sus futuras aplicaciones y servicios para explorar cómo estas darán forma a la definición y despliegues de redes 6G

The emergence of next-generation networks (NGNs) presents significant challenges for communication infrastructures, needing increased flexibility and autonomous orchestration to achieve higher speeds and lower latencies. These networks will be crucial for futuristic services across various sectors, supported by Artificial Intelligence (AI) for cost-effective maintenance. The proliferation of virtualization technologies in these areas poses interoperability challenges, which AI-powered management and orchestration functions can address through automated decision-making. The evolution of AI-based network functions will enable predictive orchestration, optimizing traffic management, resource placement, and service configuration based on expected needs. This will lead to the realization of zero-touch management, minimizing human intervention and maximizing network efficiency. Furthermore, the convergence of traditional networking and computing architectures toward a unified computing continuum will democratize resource usage, increase response capacity, and reduce client-server traffic flows, thereby decreasing network latency. To advance the state of the art and address these challenges, the main objective of this thesis is to explore the current needs of NGNs to adopt fully functional Zero-touch network and Service Management (ZSM) capabilities. It is intended to provide the integration of different technologies that permit the fast management of the data plane, e.g., efficient packet processing, directed by AI-driven network functions enabling the autonomous management of the network in real-time. To reach those objectives, the performed work was divided into different research lines that converged to compose this doctoral thesis. In first place, there was a search and study phase, in which the literature was reviewed to deeply understand the state of the art of the ZSM concept, AI applied to networking, standardization activities, and ongoing research projects for NGNs. Once this was done, the tools and technologies most prominently used in these areas were explored and examined, with the aim of selecting the most proper ones to achieve intelligent network reprogrammability in ZSM scenarios. eBPF was the selected packet-handling technology after experimentally comparing it to P4. eBPF evidenced it is a flexible, simple and cost-effective solution that may be deployed in multiple scenarios without presenting prohibitive hardware requirements. By using eBPF as a traffic processing technology, the next stage was to select the proper Machine Learning (ML) algorithms to analyze the traffic and automatically react to changes, disruptions, or threats in the network. The initial literature review revealed that NNs are one of the fundamental pillars to enable smart decision-making in ZSM environments. In this way, a development was made to combine eBPF packet processing with neural networks to obtain ML-enabled networking capabilities. As a result, a packet handling pipeline based on ML was integrated within the Linux kernel, thus accelerating the efficient execution of AI algorithms. To validate the developed implementation, a real-world use case was explored, in which the solution examined real-time traffic while using a neural network to detect attacks. Finally, with all the knowledge acquired during the development of the research lines, a final exercise was made to envision the key networking and computing aspects that will drive the design of future 6G infrastructures. The stringent and challenging automotive vertical was studied from the point of view of its future applications and services to explore how they will shape the 6G network’s definition and deployments.