Network performance prediction using graph neural networks: application to network slicing

Abstract

ENG- This thesis addresses key challenges in the optimization of network slicing in Beyond 5G (B5G) networks, focusing on the use of Graph Neural Networks (GNNs) for performance prediction and resource allocation. It is structured into three main parts: improvement of an existing GNN model for Key Performance Indicator (KPI) prediction, dataset creation for network slicing, and the creation of a GNN model for predicting network slicing KPIs.

The ultimate goal of this work is to build a model for predicting network slicing KPIs. GNNs models are a novel and powerful technique for accurately learning from graph-structured data, making them suitable for predicting network KPIs. To learn GNNs programming, the first part of this work describes the participation in a ITU challenge. Autonomous network management is explored, being essential for the dynamic environments expected in B5G networks. The limitations of traditional modeling tools and network simulators are also explored, proposing GNNs as an effective alternative due to their high accuracy and low computational requirements. A significant contribution is the enhancement of the RouteNet baseline model, achieving an improvement in prediction accuracy for larger networks, in comparison to the networks seen during training.

As the goal is to build a GNNs model for predicting network slicing KPIs, and a lack of data containing network slicing scenarios is identified, the second part presents a the creation of a network slicing dataset designed to support Artificial Intelligence (AI)-based performance prediction in B5G networks. This dataset, generated through a packet-level simulator, includes diverse network scenarios with varying topologies, slice instances, and traffic flows, capturing the complexities of Enhanced Mobile Broadband (eMBB), Ultra-Reliable Low-Latency Communication (URLLC), and Massive Internet of Things (mIoT) slices. The dataset is a valuable resource for the research community, facilitating innovations in network slicing and resource management.

After creating the required data, the GNN model called GNNetSlice is developed in part three, introducing a novel model that leverages GNNs to predict the performance of network slices in the core and transport network. By adopting a data-driven approach, GNNetSlice balances prediction speed and accuracy. The model demonstrates high accuracy in predicting delay, jitter, and losses across various scenarios.

Overall, this thesis makes contributions to the field of network slicing, providing tools and datasets for efficient and accurate KPI prediction in B5G networks. The proposed models and datasets pave the way for more resilient and adaptive network management solutions, crucial for the next generation of mobile networks

CAT- Aquesta tesi aborda els reptes clau en l’optimització del network slicing en xarxes Beyond 5G (B5G), centrant-se en l’ús de Graph Neural Networks (GNNs) per a la predicció del rendiment i l’assignació de recursos. La tesi s’estructura en tres parts principals: millora d’un model GNN existent per a la predicció de Key Performance Indicators (KPIs), creació de conjunts de dades sobre network slicing i un model de GNN per predir KPIs de network slicing.

L’objectiu final d’aquest treball és construir un model per predir els KPIs de network slicing. Els models GNNs són una tècnica nova i potent per aprendre amb precisió a partir de dades estructurades en grafs, la qual cosa els fa adequats per predir KPIs de xarxa. Per aprendre la programació de GNNs, la primera part d’aquest treball descriu la participació en un challenge organitzat per la ITU. S’explora la gestió autònoma de xarxes, que és essencial per als entorns dinàmics de les xarxes B5G. També s’exploren les limitacions de les eines de modelatge tradicionals i dels simuladors de xarxa, proposant les GNNs com una alternativa eficaç a causa de la seva alta precisió i els seus relativament baixos requeriments computacionals. Una contribució significativa és la millora del model base RouteNet, aconseguint una millora en la precisió de predicció per a xarxes més grans, respecte les vistes durant l’entrenament.

Ja que l’objectiu és construir un model basat en GNNs per predir els KPIs de network slicing, i s’identifica una manca de dades que continguin escenaris de network slicing, la segona part presenta la creació d’un conjunt de dades de network slicing dissenyat per donar suport a la predicció del rendiment basada en Artificial Intelligence (AI) a les xarxes B5G. Aquest conjunt de dades, generat a través d’un simulador a nivell de paquets, inclou diversos escenaris de xarxa amb diferents topologies, instàncies de slice i fluxos de trànsit, capturant les complexitats dels tipus de slice Enhanced Mobile Broadband (eMBB), Ultra-Reliable Low-Latency Communication (URLLC) i Massive Internet of Things (mIoT). El conjunt de dades és un recurs valuós per a la comunitat investigadora, ja que facilita les innovacions en la gestió de recursos i el network slicing.

Després de crear les dades necessàries, el model GNN anomenat GNNetSlice es desenvolupa a la tercera part, introduint un nou model que aprofita GNNs per predir el rendiment dels network slices al core i la xarxa de transport. En adoptar un enfocament basat en dades, GNNetSlice equilibra la velocitat i la precisió de predicció. El model demostra una gran precisió a l’hora de predir retards, fluctuacions de retard i pèrdues en diversos escenaris.

En general, aquesta tesi fa contribucions al camp del network slicing, proporcionant eines i conjunts de dades per a una predicció KPI eficient i precisa a les xarxes B5G. Els models i conjunts de dades proposats obren el camí per a solucions de gestió de xarxes més resistents i adaptatives, crucials per a la propera generació de xarxes mòbils