Efficacité énergétique dans le découpage du réseau d’accès radio
Achetée sur Gettyimages. Droits d’auteur.
Les réseaux 5G et 6G devront prendre en charge un grand nombre de services aux exigences très diverses. À cet égard, le découpage de réseau en tranches est un paradigme prometteur pour les futurs réseaux mobiles, par la prise en charge non seulement des services mobiles traditionnels, mais aussi des services industriels verticaux dont les exigences sont hautement hétérogènes. Outre ses avantages, le découpage de réseau en tranches pose de nouveaux défis en matière de développement de réseaux durables. L’un des principaux objectifs des opérateurs est d’offrir des services diversifiés et continus, tout en garantissant l’efficacité énergétique. Dans cette optique, notre but est de clarifier les compromis à faire entre la qualité de service (QoS) et l’efficacité énergétique dans le découpage de réseau à l’aide de différents algorithmes d’apprentissage machine. La solution proposée permet d’améliorer l’efficacité énergétique d’environ 11 à 14 % tout en maintenant la QoS au même niveau que dans un scénario où toutes les tranches sont actives.
Le découpage en tranches des réseaux 5G et 6G : un défi
Le découpage de réseau permet de séparer un réseau physique sous-jacent commun en plusieurs réseaux logiques isolés, des tranches créées à la demande et gérées de manière indépendante. Si le découpage en tranches d’un réseau mobile offre de nombreux avantages, il n’est pas sans défis, l’un des plus importants étant sa forte consommation d’énergie. Des études récentes ont démontré que la plus grande quantité d’énergie est consommée dans le réseau d’accès radio (RAN), représentant environ 60 à 80 % de la consommation totale d’énergie du réseau mobile. Une approche courante pour réduire la consommation d’énergie dans le RAN consiste à éteindre les stations de base sous-utilisées. Toutefois, cette technique est plus difficile et plus risquée dans le cas du découpage en tranches d’un réseau multiservice, en raison des schémas temporels distincts de trafic observés dans les différentes tranches. En fait, l’arrêt complet ou la mise en veille de la station de base pourrait avoir un impact sur la QoS dans certaines tranches. D’autre part, l’activation permanente de toutes les tranches pour maximiser la QoS augmente considérablement la consommation d’énergie. Pour obtenir de meilleurs résultats, il faut donc rechercher l’équilibre entre l’efficacité énergétique et la satisfaction des utilisateurs et utilisatrices.
Figure 1 : Architecture de la solution.
La solution proposée
Ce travail a pour but d’étudier le problème de l’activation/désactivation des tranches dans les stations de base du RAN. Pour résoudre le problème, nous présentons deux approches basées sur deux techniques décentralisées d’apprentissage machine : Deep Contextual Multi-Armed Bandit (DCMAB) et Thompson Sampling Contextual Multi-Armed Bandit (Thompson-C). Nous proposons également une tranche dédiée appelée EcoSlice, qui fonctionne 24/7, avec un minimum de ressources et de fonctions réseau, et fournit des services essentiels en continu. La figure 1 illustre l’architecture de la solution proposée. Chaque agent reçoit d’une station de base diverses options de configuration, chacune associée à une récompense. La tâche de l’agent consiste à sélectionner la meilleure configuration à chaque tranche d’activation/désactivation (slice activation/deactivation interval, SADI) et à rediriger les personnes vers EcoSlice si la tranche désirée est désactivée.
(a) Récompense pour différentes valeurs β.
(b) Regret pour différentes valeurs β.
Figure 2 : Récompense et regret obtenus pour différentes valeurs β.
Nous avons évalué les approches proposées en exploitant un ensemble de données réelles de trafic collectées sur le réseau opérationnel Orange, dans la ville de Poitiers, en France. Nous avons comparé les performances des approches proposées à celles de trois homologues : Thompson Sampling Non-Contextual Multi-Armed Bandit (Thompson-NC), AllActive (toutes les tranches sont actives) et Random (les tranches sont activées et désactivées de manière aléatoire). Nous avons utilisé β comme paramètre de compromis entre la consommation d’énergie et la QoS : un β plus grand donne plus de poids à la QoS. Dans la figure 2, les agents DCMAB et Thompson-C affichent de meilleurs résultats de récompense et de regret que leurs homologues pour différentes valeurs β.
Figure 3 : Pourcentage d’amélioration énergétique des différentes approches contre l’approche AllActive (à gauche) et QoS de ces approches, en fonction de différentes valeurs β.
Comme le montre la figure 3 (à gauche), l’amélioration énergétique de DCMAB et Thompson-C, par rapport à l’approche AllActive actuelle, peut atteindre 24 % en fonction des différentes valeurs β. À noter que l’économie d’énergie nécessite un certain compromis en QoS. Cependant, comme le montre la figure 3 (à droite), lorsque β = 5, nos agents garantissent le même niveau de QoS que la solution AllActive, tout en offrant des gains énergétiques importants.
Figure 4: Comparisons of Thompson-C (with EcoSlice) Vs Thompson-C (without EcoSlice).
La figure 4 présente une comparaison des performances de récompense, regret, QoS et consommation d’énergie de l’agent Thompson-C avec et sans EcoSlice. Les résultats montrent que Thompson-C est plus performant si une tranche de type EcoSlice est présente dans le réseau.
Conclusion
Les techniques d’apprentissage machine en découpage de réseaux démontrent un fort potentiel de conception de réseaux de nouvelle génération durables et respectueux de l’environnement. Dans ce travail, nous nous concentrons sur l’activation/désactivation des tranches afin d’améliorer encore l’efficacité énergétique dans le découpage du RAN. Pour résoudre le problème, nous présentons deux approches différentes qui reposent sur des agents décentralisés d’apprentissage machine. Les approches proposées offrent des compromis intéressants entre la consommation d’énergie et la QoS.
Complément d’information
Pour plus d’information sur la contribution, consulter l’article de suivant : https://ieeexplore.ieee.org/abstract/document/10223377
