Design and implementation of resource allocation algorithms in 5G heterogeneous wireless networks

Abstract

Next generation (5G) and beyond mobile networks will highly rely on distributed heterogeneous infrastructure, which is foreseen to create a versatile resource ecosystem. Heterogeneous Networks (HetNets) have already been proposed as a solution for the continuously deteriorating congestion problem of cellular infrastructures. Current mobile devices are able to utilize the HetNets since they are equipped with multiple radio access interfaces. Still the network selection problem in a HetNet is an open research issue. At the same time, 5G redefines the network architecture, through the introduction of base station disaggregation and the softwarization of the Radio Access Network (RAN). These features stem from the Cloud-RAN concept, where a part of the base station is running as a software in the Cloud and the rest on the hardware connected to the RF transceiver. These Cloud-RANs might aggregate multiple heterogeneous links on the access, allowing users to access the network with different technologies. In such network deployments, efficient traffic allocation and management is of prominent priority. Another important advancement of 5G, is the minimization of latency for accessing services through the application of the Multi-access Edge Computing (MEC). This functionality brings the services at the edge of the network, supporting several applications that exchange time-critical data over the network (e.g. e-Health, Industry 4.0, AR/VR, etc.). In this thesis, we design, study and propose innovative solutions for the resource allocation in 5G Heterogeneous Wireless Networks (with Base Stations either single unit or disaggregated) and with MEC capabilities. The fundamental questions that we try to answer are the following: 1) How should a UE choose the best Radio Access Technology (RAT) in a heterogeneous network and when should it change to a different RAT? 2) How should an operator of such a network charge each of the available RATs? 3) Given a heterogeneous Cloud-RAN, how can we serve end-users with low latency? 4) How should resources from a MEC enabled Cloud-RAN network be allocated to different Service Providers? 5) How would an operator be charged for moving services closer to the edge for providing lower latency access to the users?Initially we begin with the ultra-dense deployments of heterogeneous wireless networks. Network densification and integration of heterogeneous technologies have been proposed as a solution to the constantly rising number of devices connected to the Internet. Heterogeneity is considered as a key feature of the 5G networks as it enables the mobile service providers to offload their cellular networks, thus mitigating the existing congestion and providing high quality connectivity to mobile users. Nevertheless, such environments add up to the complexity of the traffic allocation problem. To this aim, we design and study a heterogeneous network access scheme based on the Paris Metro Pricing (PMP), considering three different access technologies (3G, 4G, WiFi). We introduce a dynamic pricing scheme for each available RAT of the heterogeneous network which takes into consideration the current available capacity of each RAT. We investigate its performance in terms of average throughput and acceptance capability of incoming users for several mobility scenarios, employing simulations and real-testbed experiments. As our next step, we study the use case where the end-users are multi-homed, meaning that they feature multiple network interfaces and can be concurrently connected to different RANs. Moreover we consider that the end-users are running applications with different network demands (low latency, throughput, etc.). In such setups, the technology allocation problem becomes even more complicated because the perceived Quality of Experience (QoE) highly depends on the application that is running on the end-user. To this end, we propose a scheme that tries to efficiently map each application to the available technologies towards maximizing the end-user's utility function. Through the evaluation of our solution, we pinpoint the significance that the end-users' order has to the system during its updating phase. For this reason, we propose and examine three different ordering policies (based on data rate demands, spectrum efficiency, and sensitivity). Our results illustrate how the ordering policies may affect the cost incurred at each UE as well as the utilization of the available RATs. Following this, we focus on the fairness of the UEs' ordering policies that we have introduced in our resource allocation scheme for 5G Heterogeneous Wireless Networks. Towards this direction, we introduce an optimal ordering policy as a reference. This policy leverages the weighted proportionality fairness concept. We compare it against the other proposed ordering policies taking the Kendall tau correlation for each one of the policies. Based on our findings, we design and implement a dynamic policy selection scheme, which selects among the available ordering policies the one which is closest to the reference policy every time that the system is updating. We further investigate the pricing of our scheme; initially, only the availability of access technologies’ bandwidth was taken into consideration for our pricing model but through the evaluation of our solution, we decided to extend it in order to also include the rate demands of the applications running on the end-user side. For the evaluation of our solution, we consider 4 different RATs (3G, WiFi, 4G, WiGig/5G-NR) for our 5G HetNet. Both simulations and testbed experimentation are employed and enable us to assess the bandwidth allocation efficiency, the variation of access prices, the policy fairness and the induced cost to end-users. The next part of our work is related to the minimization of service access latency. ETSI has proposed Multi-access Edge Computing (MEC) as the means to minimize the access latency by bringing the services closer to the wireless network edge. 5G-New Radio (NR) specifications define the disaggregation of the base stations based on the 3GPP Option-2 split which creates two entities: the Central Unit (CU) and the Distributed Unit (DU) which provides the actual access network. The CU is able to manage multiple DUs which can be of different access technologies (5G-NR, 4G LTE or even WiFi). Towards this direction, we study the placement of MEC services in a disaggregated network (Cloud-RAN) with multiple wireless technologies. We investigate two different deployments of the services, either on the fronthaul collocated with the DU or the backhaul collocated with the Core Network and for different access technologies (LTE, WiFi). Our testbed experiments denote that placing the service close to the base station reduces the service access latency even with legacy technologies (LTE, WiFi). Furthermore, we investigate how the UE's Quality of Experience (QoE) is affected from the service placement in conjunction with the wireless technology that the UE will be served. Finally, we study the resource allocation of MEC resources in 5G Heterogeneous Cloud-RANs. In such setups, multi-homed users are able to get access over multiple wireless links to services located just after the DU components of the cellular network, illustrating reduced network latency compared to conventional MEC deployments. Nevertheless, the technology through which each user may be served plays an important role in the overall perceived latency and Quality of Experience (QoE) of the end-user. Moreover, the locations for placement of the hosted services and wireless technologies used to forward data to the end-users can be exploited as differentiation parameters for charging application providers for hosting their services on the MEC platform. Therefore, we design and implement a system model for resource allocation across the different supported MEC combinations on a Cloud-RAN with LTE and WiFi technologies. Our testbed experiments highlight that utilizing multiple RATs at the same time and with the appropriate placement of the MEC service, the average latency can be kept below a threshold while meeting the service's requirements.

Τα επόμενης γενιάς (5G) και μετέπειτα δίκτυα κινητής τηλεφωνίας θα βασίζονται σε μεγάλο βαθμό σε κατανεμημένες ετερογενείς υποδομές, οι οποίες προβλέπεται να δημιουργήσουν ένα ευέλικτο και πολύπλευρο οικοσύστημα πόρων. Τα ετερογενή δίκτυα (HetNets) έχουν ήδη προταθεί ως λύση για το συνεχώς επιδεινούμενο πρόβλημα συμφόρησης των κυψελοειδών δικτύων. Οι τωρινές κινητές συσκευές είναι σε θέση να αξιοποιήσουν τα πλεονεκτήματα των HetNets, καθώς είναι εξοπλισμένα με πολλαπλές διεπαφές για ασύρματη πρόσβαση. Όμως το πρόβλημα επιλογής δικτύου σε ένα HetNet παραμένει ένα ανοιχτό θέμα προς έρευνα. Ταυτόχρονα, τα δίκτυα 5G επαναπροσδιορίζουν την αρχιτεκτονική του δικτύου, προτείνοντας τον διαχωρισμό της στοίβας πρωτοκόλλων του σταθμού βάσης και την υλοποίηση υπηρεσιών του δικτύου πρόσβασης χρηστών (RAN) μέσω λογισμικού. Αυτές οι προτάσεις βασίζονται στην έννοια του Cloud-RAN, όπου ένα κομμάτι του σταθμού βάσης εκτελείται ως λογισμικό σε υποδομές Νέφους (Cloud) και τα υπόλοιπα κομμάτια εκτελούνται στο hardware που συνδέεται ο πομποδέκτης. Στα Cloud-RANs υπάρχει η δυνατότητα να ενσωματωθούν διαφορετικές τεχνολογίες για πρόσβαση στο δίκτυο, προσφέροντας στους χρήστες περισσότερες επιλογές για την σύνδεση τους στο δίκτυο. Σε τέτοιες διατάξεις δικτύων, η αποτελεσματική κατανομή και διαχείριση της κίνησης δεδομένων είναι πρωταρχικής σημασίας. Μια άλλη σημαντική πρόοδος που φέρνει το 5G, είναι η ελαχιστοποίηση της καθυστέρησης πρόσβασης σε υπηρεσίες μέσω της εφαρμογής του Multi-access Edge Computing (MEC). Αυτή η λειτουργικότητα φέρνει τις υπηρεσίες στην άκρη του δικτύου, υποστηρίζοντας έτσι πολλές εφαρμογές που ανταλλάσσουν κρίσιμα χρονικά δεδομένα μέσω του δικτύου (π.χ. e-Health, Industry 4.0, AR / VR, κ.λπ.). Σε αυτή τη διατριβή, σχεδιάσαμε, μελετήσαμε και προτείναμε καινοτόμες λύσεις για την ανάθεση πόρων σε ετερογενή ασύρματα δίκτυα 5G με σταθμούς βάσης είτε υλοποιημένους ως μια οντότητα είτε κατανεμημένους, έχοντας την δυνατότητα παροχής MEC πόρων. Οι ερωτήσεις που προσπαθούμε να απαντήσουμε είναι οι εξής: 1) Πώς ένας χρήστης θα επιλέξει την καλύτερη τεχνολογία για πρόσβαση στο δίκτυο σε ένα ετερογενές σύστημα και πότε πρέπει να αλλάξει σε ένα άλλο; 2) Πώς ο πάροχος ενός τέτοιου ετερογενούς δικτύου πρέπει να χρεώνει την κάθε τεχνολογία πρόσβασης που διαθέτει; 3) Λαμβάνοντας υπόψη ένα ετερογενές Cloud-RAN, πώς μπορούμε να εξυπηρετήσουμε τους χρήστες με χαμηλή καθυστέρηση στην μετάδοση των πακέτων; 4) Πώς πρέπει να κατανέμονται οι MEC πόροι του δικτύου στους διαφορετικούς παρόχους υπηρεσιών; 5) Πώς θα χρεώνεται ένας πάροχος για τη μετακίνηση υπηρεσιών πιο κοντά στην άκρη του δικτύου με σκοπό την πρόσβαση των χρηστών σε υπηρεσίες με χαμηλή καθυστέρηση; Αρχικά, ξεκινάμε με τις υπερ-πυκνές διατάξεις ετερογενών ασύρματων δικτύων. Η πολυπληθής και πυκνή ανάπτυξη δικτύων καθώς και η ενσωμάτωση ετερογενών τεχνολογιών έχουν προταθεί ως λύση στον συνεχώς αυξανόμενο αριθμό συσκευών που συνδέονται στο Διαδίκτυο. Η ετερογένεια θεωρείται βασικό χαρακτηριστικό των δικτύων 5G καθώς επιτρέπει στους παρόχους κινητής τηλεφωνίας να μεταφέρουν χρήστες απο τα κυψελωτά δίκτυα τους σε παρακείμενα δίκτυα, μετριάζοντας έτσι την υπάρχουσα συμφόρηση και παρέχοντας υψηλής ποιότητας συνδεσιμότητα στους χρήστες. Ωστόσο, τέτοια περιβάλλοντα αυξάνουν την πολυπλοκότητα του προβλήματος ανάθεσης της δικτυακής κίνησης. Γι’ αυτόν το σκοπό, σχεδιάζουμε και μελετάμε ένα ετερογενές σύστημα πρόσβασης στο δίκτυο που βασίζεται στο Paris Metro Pricing (PMP), λαμβάνοντας υπόψη τρεις διαφορετικές τεχνολογίες πρόσβασης (3G, 4G, WiFi). Παρουσιάζουμε ένα δυναμικό σχήμα τιμολόγησης για κάθε διαθέσιμη Radio Access Technology (RAT) του ετερογενούς δικτύου που λαμβάνει υπόψη την τρέχουσα διαθέσιμη χωρητικότητα κάθε RAT. Εξετάζουμε την απόδοσή του συστήματος όσον αφορά τη μέση τιμή της συνολικής ταχύτητας του συστήματος καθώς και τον αριθμό των εισερχόμενων χρηστών που μπορεί να δεχθεί, μελετώντας διάφορα σενάρια κινητικότητας. Αποτιμάμε το σύστημά μας χρησιμοποιώντας προσομοιώσεις και πειραματισμό σε πραγματικό περιβάλλον και παρουσιάζουμε τα αποτελέσματά μας. Ως επόμενο βήμα, μελετάμε τις περιπτώσεις όπου οι χρήστες είναι multi-homed, δηλαδή διαθέτουν πολλαπλές διεπαφές πρόσβασης στο δίκτυο και μπορούν ταυτόχρονα να συνδεθούν με διαφορετικά RANs. Επιπλέον, θεωρούμε ότι οι χρήστες εκτελούν εφαρμογές με διαφορετικές απαιτήσεις δικτύου (χαμηλή καθυστέρηση μετάδοσης πακέτων, ταχύτητα κ.λπ.). Σε τέτοια σενάρια, το πρόβλημα ανάθεσης τεχνολογιών καθίσταται ακόμη πιο περίπλοκο, διότι η ποιότητα εμπειρίας (QoE) που αντιλαμβάνεται ο χρήστης εξαρτάται σε μεγάλο βαθμό από την εφαρμογή που εκτελεί. Για το σκοπό αυτό, προτείνουμε ένα σχήμα που προσπαθεί να αναθέσει αποτελεσματικά κάθε εφαρμογή στις διαθέσιμες τεχνολογίες του ετερογενούς συστήματος που μελετάμε με στόχο τη μεγιστοποίηση της συνάρτησης ωφέλειας του χρήστη. Μέσω της αποτίμησης της λύσης μας, επισημαίνουμε τη σημασία που έχει η κατάταξη των χρηστών κατά την διάρκεια ενημέρωσης του συστήματος. Για αυτόν τον λόγο, προτείνουμε και εξετάζουμε τρεις διαφορετικές πολιτικές κατάταξης των χρηστών (βάση των απαιτήσεων σε ρυθμό μετάδοσης των δεδομένων, της αποτελεσματικότητας του φάσματος και της ευαισθησίας των εφαρμογών). Τα αποτελέσματά μας δείχνουν πώς οι πολιτικές κατάταξης μπορούν να επηρεάσουν το κόστος που προκύπτει σε κάθε χρήστη, καθώς και το ποσοστό αξιοποίησης των διαθέσιμων RATs. Στη συνέχεια, επικεντρωνόμαστε στο κατά πόσο είναι δίκαιες οι πολιτικές κατάταξης των χρηστών που έχουμε προτείνει στο σύστημα ανάθεσης πόρων που διερευνούμε σε 5G ετερογενή ασύρματα δίκτυα. Προς αυτήν την κατεύθυνση, παρουσιάζουμε μια βέλτιστη πολιτική κατάταξης των χρηστών που θα την χρησιμοποιήσουμε ως αναφορά και μέτρο σύγκρισης. Αυτή η πολιτική αξιοποιεί την έννοια της σταθμισμένης αναλογικότητας και τη συγκρίνουμε με τις τρεις προτεινόμενες πολιτικές κατάταξης λαμβάνοντας τη Kendall tau συσχέτιση για καθεμία από αυτές. Με βάση τα ευρήματά μας, σχεδιάζουμε και εφαρμόζουμε ένα δυναμικό σχήμα επιλογής πολιτικής, το οποίο κάθε φορά που ενημερώνεται το σύστημα, επιλέγει μεταξύ των διαθέσιμων πολιτικών κατάταξης εκείνη που συσχετίζεται σε μεγαλύτερο βαθμό με την πολιτική αναφοράς. Εξετάζουμε περαιτέρω την τιμολόγηση του σχηματός μας, αρχικά, μόνο το διαθέσιμο εύρος ζώνης των τεχνολογιών πρόσβασης λήφθηκε υπόψη για το μοντέλο τιμολόγησης. Μέσω της αξιολόγησης της λύσης μας όμως, αποφασίσαμε να επεκτείνουμε το μοντέλο τιμολόγησης προκειμένου να συμπεριλάβουμε και τις απαιτήσεις των εφαρμογών που εκτελούνται στον χρήστη. Για την αξιολόγηση της λύσης μας, θεωρούμε 4 διαφορετικά RATs (3G, WiFi, 4G, WiGig / 5G-NR) για το 5G HetNet σύστημα που εξετάζουμε. Για την αποτίμηση του σχήματός μας, τόσο προσομοιώσεις όσο και πειραματισμός σε πραγματικές υποδομές χρησιμοποιούνται, επιτρέποντάς μας να εκτιμήσουμε την αποδοτικότητα κατανομής του εύρους ζώνης, τη διακύμανση των τιμών πρόσβασης, το πόσο δίκαιη είναι η κάθε πολιτική κατάταξης και το τελικό κόστος για τους χρήστες. Επόμενος τομέας ενασχόλησής μας, είναι η μελέτη της μείωσης της καθυστέρησης για την πρόσβαση σε υπηρεσίες από τους χρήστες ενός ετερογενούς Cloud-RAN. Το ETSI έχει προτείνει το Multi-access Edge Computing (MEC) ως μέθοδο για την ελαχιστοποίηση της καθυστέρησης πρόσβασης σε υπηρεσίες, φέρνοντας τις υπηρεσίες πιο κοντά στον χρήστη, στην άκρη του ασύρματου δικτύου. Οι προδιαγραφές του 5G-New Radio (NR) καθορίζουν τον διαχωρισμό της στοίβας των πρωτοκόλλων των σταθμών βάσης με βάση το 3GPP Option-2 split που δημιουργεί δύο οντότητες: την Κεντρικοποιημένη Μονάδα (CU) και την Κατανεμημένη Μονάδα (DU) που παρέχει και το δίκτυο πρόσβασης. Η CU είναι σε θέση να διαχειριστεί πολλαπλές DU που μπορούν να είναι διαφορετικών τεχνολογιών πρόσβασης (5G-NR, 4G LTE ή ακόμη και WiFi). Προς αυτήν την κατεύθυνση, μελετάμε την τοποθέτηση υπηρεσιών MEC σε ένα Cloud-RAN με πολλαπλές ασύρματες τεχνολογίες. Ερευνούμε δύο διαφορετικές τοποθετήσεις των υπηρεσιών, είτε στο fronthaul κοντά με το DU είτε στο backhaul μαζί με το Core Network και για διαφορετικές τεχνολογίες πρόσβασης (LTE, WiFi). Τα πειράματά μας δείχνουν ότι η τοποθέτηση της υπηρεσίας κοντά στο σταθμό βάσης μειώνει την καθυστέρηση πρόσβασης σε υπηρεσίας ακόμη και με παλαιότερες τεχνολογίες (LTE, WiFi). Επιπλέον, διερευνούμε πώς επηρεάζεται η ποιότητα εμπειρίας (QoE) του χρήστη από την τοποθεσία της υπηρεσίας σε συνδυασμό με την ασύρματη τεχνολογία από την οποία θα εξυπηρετηθεί ο χρήστης. Τέλος, μελετάμε την ανάθεση πόρων MEC σε 5G ετερογενή Cloud-RANs. Σε τέτοιες διατάξεις, χρήστες που διαθέτουν πολλαπλές ασύρματες διεπαφές έχουν την δυνατότητα να αποκτήσουν πρόσβαση σε MEC υπηρεσίες που βρίσκονται ακριβώς μετά το DU μέσω πολλαπλών ασύρματων συνδέσμων. Τα αποτελέσματα της έρευνάς μας, δείχνουν ότι η συγκεκριμένη τοποθέτηση των υπηρεσιών έχει καλύτερα αποτελέσματα ως προς την καθυστέρηση σε σύγκριση με τις τοποθετήσεις των MEC υπηρεσιών που έχουν προταθεί απο το ETSI. Παρ’ όλα αυτά, η ασύρματη τεχνολογία μέσω της οποίας εξυπηρετείται ο κάθε χρήστης παίζει σημαντικό ρόλο στην καθυστέρηση και ποιότητα της εμπειρίας (QoE) που αντιλαμβάνεται ο χρήστης. Επιπλέον, οι τοποθεσίες για την τοποθέτηση των υπηρεσιών και η επιλογή των ασύρματων τεχνολογιών που χρησιμοποιούνται για την προώθηση των δεδομένων στους χρήστες μπορούν να αξιοποιηθούν ως παράμετροι διαφοροποίησης για τη χρέωση των MEC πόρων στους παρόχους υπηρεσιών. Με βάση αυτές τις διαπιστώσεις, σχεδιάζουμε και εφαρμόζουμε ένα μοντέλο για ανάθεση πόρων στους διάφορους υποστηριζόμενους συνδυασμούς τοποθέτησης MEC υπηρεσιών σε ένα Cloud-RAN με υποστηριζόμενες τεχνολογίες LTE και WiFi. Τα πειράματά μας δείχνουν ότι χρησιμοποιώντας πολλαπλά RATs ταυτόχρονα και με την κατάλληλη τοποθέτηση των MEC υπηρεσιών, η μέση καθυστέρηση μπορεί να διατηρηθεί κάτω από ένα όριο και παράλληλα ικανοποιεί τις απαιτήσεις της υπηρεσίας.