Beyond XAI for trustworthy federated learning in 6G zero-touch network slicing

Abstract

(English) In the approaching era of 6G networks, the necessity for AI-driven zero-touch network automation is highlighted by the need to support multiple network slices for various use cases. Network slicing (NS), a significant innovation beyond 5G, will depend on AI to effectively manage complicated communication networks. However, the traditional centralized approach for monitoring and controlling raw data faces several challenges. Federated Learning (FL) under a decentralized paradigm provides advantages, including improved security, fewer data exchanges, scalability, lower computational costs, and facilitated fast local analysis and decision-making. Besides, Explainable AI (XAI) plays a crucial role in establishing trust in the AI black boxes throughout the deployment, which becomes imperative, mainly when AI is responsible for complicated resource management and anomaly detection. Stakeholders seek highly performing AI models for efficient resource allocation to ensure fairness, accountability, and compliance. Furthermore, flexible, intelligent management across Radio Access Network (RAN), core network, cloud, and edge is needed to provide revolutionary connectivity in the broader context of the 6G era. The O-RAN Alliance’s push for Open RAN architecture and AI-driven management tools further supports this vision. The thesis focuses on advancing the efficiency, scalability, transparency, and trustworthiness of 6G networks through innovative approaches in FL, network resource management, and AI/ML methodologies. The main objectives include reducing SLA violations, enhancing convergence time, and optimizing computation costs in FL-based analytic engines. Additionally, the aim is to address the trade- off between performance and explainability, ensuring trustworthy predictions and transparent decision- making in the context of 6G network slicing. The proposed approaches leverage closed-loop automation, XAI, and novel federated learning models to achieve these goals while aligning with the demands and challenges of the evolving 6G O-RAN landscape. First, A cloud-native SLA-driven FL model has been proposed to improve scalability and performance for non-IID data at the RAN-Edge. It also demonstrated its superiority in reducing SLA violations and computation costs compared to different FL baselines. Second, inspired by closed-loop automation and XAI, we have designed an Explainable Federated Deep Learning (FDL) model to predict per-slice RAN dropped traffic probability, prioritizing explainability metrics and outperforming baseline models. Third, we have proposed an explanation-guided in-hoc federated learning (FL) approach to address the trade-off between AI performance and explainability for trustworthy 6G network slicing resource management in a RAN-Edge setup. Fourth, motivated by closed-loop (CL) automation and explanation-guided learning (EGL), we have presented an explanation-guided federated learning (EGFL) scheme to ensure trustworthy predictions and enhance model fairness. Lastly, addressing critical resource provisioning challenges among multiple virtualized base station (vBS) instances in the 6G O-RAN landscape, we have proposed a Federated Machine Reasoning (FLMR) framework to optimize CPU demand prediction for vBS, ensure transparent AI decisions and showcase superior performance compared to the DeepCog baseline. These methods advance 6G network scalability, efficiency, and transparency, contributing to developing AI-driven, trustworthy network management solutions.

(Català) En l'era imminent de les xarxes 6G, la necessitat d'automatització de xarxes sense intervenció humana impulsada per la IA es posa de manifest per la necessitat de donar suport a múltiples talls de xarxa per a diversos casos d'ús. El slicing de xarxa (NS), una innovació significativa més enllà del 5G, dependrà de la IA per gestionar de manera eficaç xarxes de comunicació complexes. No obstant això, l'enfocament centralitzat tradicional per monitoritzar i controlar les dades en brut afronta diversos reptes. L'Aprenentatge Federat (FL) sota un paradigma descentralitzat ofereix avantatges, incloent millora de la seguretat, menys intercanvis de dades, escalabilitat, costos computacionals més baixos, i facilitació d'anàlisis locals ràpides i presa de decisions. A més, la IA explicable (XAI) juga un paper crucial en establir la confiança en les caixes negres de la IA durant el desplegament, cosa que esdevé imperativa, especialment quan la IA és responsable de la gestió complexa de recursos i la detecció d'anomalies. Els actors interessats busquen models d'IA d'alt rendiment per a l'assignació eficient de recursos, tot garantint justícia, responsabilitat i compliment normatiu. A més, es necessita una gestió flexible i intel·ligent de la Xarxa d'Accés de Ràdio (RAN), la xarxa central, el núvol i la perifèria per proporcionar una connectivitat revolucionària en el context més ampli de l'era 6G. L'impuls de l'Aliança O-RAN per una arquitectura Open RAN i eines de gestió impulsades per IA reforça aquesta visió. Aquesta tesi se centra en millorar l'eficiència, l'escalabilitat, la transparència i la confiança de les xarxes 6G mitjançant enfocaments innovadors en FL, gestió de recursos de xarxa i metodologies d'IA/aprenentatge automàtic (IA/ML). Els objectius principals inclouen reduir les violacions dels SLA, millorar el temps de convergència i optimitzar els costos computacionals en motors analítics basats en FL. Addicionalment, l'objectiu és abordar el compromís entre rendiment i explicabilitat, garantint prediccions fiables i una presa de decisions transparent en el context del slicing de xarxa 6G. Els enfocaments proposats aprofiten l'automatització de cicle tancat, XAI i nous models d'aprenentatge

federat per assolir aquests objectius mentre s'alineen amb les demandes i desafiaments del paisatge O- RAN 6G en evolució. En primer lloc, s'ha proposat un model de FL natiu del núvol impulsat per SLA per millorar l'escalabilitat i el rendiment per a dades no IID a la RAN-Edge. Aquest model ha demostrat la seva superioritat en la reducció de violacions de SLA i costos computacionals en comparació amb diferents línies base de FL. En segon lloc, inspirats per l'automatització de cicle tancat i XAI, hem dissenyat un model d'Aprenentatge Profund Federat Explicable (FDL) per predir la probabilitat de tràfic caigut per slice a la RAN, donant prioritat a mètriques d'explicabilitat i superant els models de referència. En tercer lloc, hem proposat un enfocament d'aprenentatge federat guiat per explicacions (in-hoc) per abordar el compromís entre el rendiment de la IA i l'explicabilitat per a la gestió fiable de recursos de slicing de xarxa 6G en un entorn RAN-Edge. En quart lloc, motivats per l'automatització de cicle tancat i l'aprenentatge guiat per explicacions (EGL), hem presentat un esquema d'aprenentatge federat guiat per explicacions (EGFL) per garantir prediccions fiables i millorar l'equitat del model. Finalment, per abordar els reptes crítics de provisió de recursos entre diverses instàncies de l'estació base virtualitzada (vBS) en el paisatge O-RAN 6G, hem proposat un marc de Raonament Màquina Federat (FLMR) per optimitzar la predicció de demanda de CPU per a la vBS, garantir decisions transparents d'IA i mostrar un rendiment superior en comparació amb la línia base DeepCog. Aquests mètodes avancen en l'escalabilitat, l'eficiència i la transparència de les xarxes 6G, contribuint al desenvolupament de solucions de gestió de xarxes impulsades.