Resumen

El creciente número de dispositivos móviles y la mayor demanda de servicios provocan un aumento de las solicitudes de acceso por segundo a la función de gestión del acceso y la movilidad (AMF) del plano de control en una red móvil de quinta generación (5G). Esto provoca la congestión de la función y afecta al rendimiento global de la red. Por lo tanto, este artículo propone un mecanismo de autoescalado para la AMF en un núcleo 5G mediante predicciones de uso de CPU utilizando la técnica de aprendizaje automático (ML) de la memoria a largo plazo (LSTM). El mecanismo predice el porcentaje de uso de CPU en el pod que contiene el AMF y establece políticas de escalado que determinan el número necesario de pods AMF. El rendimiento del AMF se evalúa a través de la tasa de éxito, la tasa de pérdida y la latencia de las peticiones de acceso por segundo en tres escenarios: uno reactivo con escalado basado en los umbrales de CPU actuales, uno predictivo utilizando predicciones de CPU y otro utilizando tanto las políticas de escalado como la técnica LSTM. En los escenarios anteriores, el AMF se escala de forma reactiva y predictiva. Los resultados muestran que las políticas de escalado y el algoritmo ML mejoran significativamente el rendimiento de la función en términos de tasa de éxito y tasa de pérdida de solicitudes de acceso por segundo. Se consigue un autoescalado eficiente del AMF, lo que contribuye tanto a la optimización de los recursos computacionales como a mejorar la disponibilidad de la red móvil 5G.

• Materias:Red 5G Procesadores de red Diseño de redes
• Subjects:5G Network Network processors Network design
• Palabras claves:AMF; CPU; Políticas de escalado; Autoescalado
• Keywords:AMF; CPU; Scaling policies; Self-scaling