Lifelong AI-driven zero-touch network slicing

Abstract

(English) The sixth-generation (6G) network's evolution necessitates advancements in algorithms and architecture to transition from an AI-native to an intrinsic trustworthy automation-native system. Network slicing creates multiple virtual networks for diverse service requirements and is a crucial technology for future communication systems and 6G networks. This technology will facilitate numerous aspects of life, society, and industry, meeting the communication needs of both humans and intelligent machines. This is made possible by employing softwarization and virtualization technologies, including software-defined networking (SDN) and network functions virtualization (NFV), to enable the necessary flexibility and programmability required for network slicing. However, the implementation of network slicing in radio access networks (RAN) is challenging due to the complexity of managing RAN operations. This gap is addressed with zero-touch network slicing, a fully automated management and orchestration scheme, which eliminates the need for fixed contracts and manual intervention. The decision engine, a main component of this technology, employs algorithmic innovation to optimize network resource allocation and handle the challenges of RAN slicing, including energy efficiency, latency, scalability, and trustworthiness. In resource allocation, a joint optimization approach is used to balance energy and latency with service quality. A stochastic Actor-Critic approach is proposed to streamline the learning procedure and reduce the need for hyperparameter tuning in an energy-aware network slicing setup. Additionally, a massive deep reinforcement learning-based actor-learner framework is introduced to tackle complexity issues and control challenges in network slicing. The temporal variations of traffic demand pose a significant challenge for resource planning and allocation in the RAN domain. To mitigate this, a distributed architecture for RAN slice resource orchestration is proposed, featuring multiple AI-enabled decision agents that perform local radio allocation decisions without a centralized control entity. A federated learning scheme, aligned with the recent development of the Open RAN architecture, is designed to enhance local decision-making capabilities. Despite AI's effectiveness, concerns persist regarding the lack of transparency in deep neural networks, posing risks to reliability and security in network scenarios. This lack of trust prevents telecommunications operators from widely deploying AI models in their networks. To address this, we proposed SliceOps architecture that consolidates explainable ML operations in a standalone slice, offering AI services to other slices. This setup enhances the reliability and interpretability of AI models, facilitating swift deployment in the network with greater consistency. By transitioning from AI-native to automation-native, this framework manages both service and underlying AI functions, allowing full potential harnessing of slicing in RAN while reducing complexities.

(Español) La evolución hacia la red de sexta generación (6G) requiere avances en algoritmos y arquitectura para pasar de un sistema nativo de IA a un sistema nativo de automatización intrínsecamente confiable. El slicing de red crea múltiples redes virtuales para diversos requisitos de servicio y es una tecnología crucial para los sistemas de comunicación futuros y las redes 6G. Esta tecnología facilitará numerosos aspectos de la vida, la sociedad y la industria, satisfaciendo las necesidades de comunicación tanto de humanos como de máquinas inteligentes. Esto se hace posible mediante el uso de tecnologías de softwarización y virtualización, incluyendo redes definidas por software (SDN) y virtualización de funciones de red (NFV), que dotan la flexibilidad y la programabilidad necesarias para el slicing de red. Sin embargo, la implementación de slicing de red en las redes de acceso por radio (RAN) es todo un desafío debido a la complejidad de gestionar las operaciones en el dominio radio. Esta brecha se aborda con el slicing de red zero-touch, un esquema de gestión y orquestación totalmente automatizado, que elimina la necesidad de contratos fijos e intervención manual. El motor de decisiones, un componente principal de esta tecnología, emplea la innovación algorítmica para optimizar la asignación de recursos de la red y manejar los desafíos del slicing de RAN, incluyendo la eficiencia energética, la latencia, la escalabilidad y la confiabilidad. En la asignación de recursos, se utiliza un enfoque de optimización conjunta para equilibrar la energía y la latencia con la calidad del servicio. En concreto, se propone un enfoque Actor-Crítico estocástico para agilizar el procedimiento de aprendizaje y reducir la necesidad de ajustar hiperparámetros en una configuración de slicing de red consciente del consumo energético. Además, se introduce un marco de actor-aprendiz basado en un aprendizaje profundo masivo para abordar los problemas de complejidad y los desafíos de control en el slicing de red. A su vez, las variaciones temporales de la demanda de tráfico representan un desafío significativo para la planificación y asignación de recursos en el dominio de RAN. Para mitigar esto, se propone una arquitectura distribuida para la orquestación de recursos de slices de RAN, que cuenta con múltiples agentes de decisión habilitados por IA que materializan decisiones locales de asignación de radio sin una entidad de control centralizada. Se diseña un esquema de aprendizaje federado al respecto, alineado con el reciente desarrollo de la arquitectura Open RAN, para mejorar las capacidades de toma de decisiones locales. A pesar de la efectividad de la IA, persisten las preocupaciones sobre la falta de transparencia en las redes neuronales profundas, lo que supone riesgos para la fiabilidad y la seguridad en los escenarios de red. Esta falta de confianza impide que los operadores de telecomunicaciones desplieguen ampliamente modelos de IA en sus redes. Para abordar esto, propusimos la arquitectura SliceOps que consolida las operaciones de ML explicables en un slice independiente, ofreciendo servicios de IA a otros slices. Esta configuración mejora la fiabilidad y la interpretabilidad de los modelos de IA, facilitando una implementación rápida en la red con mayor consistencia. Al pasar de ser nativo de IA a nativo de automatización, este marco gestiona tanto las funciones de servicio como las subyacentes de IA, permitiendo el aprovechamiento total del slicing en RAN y reduciendo las complejidades.