Network reconfiguration and management in 6g telecommunication networks

Abstract

Fifth-generation (5G) telecommunication networks promise unprecedented improvements in connectivity, offering ultra-high data rates, ultra-reliable low-latency communication (URLLC), and massive connectivity of diverse devices. These capabilities are essential for enabling transformative applications such as autonomous vehicles, remote surgery, industrial automation, and the Internet of Things (IoT). However, despite the theoretical advances, practical deployments frequently fail to meet anticipated performance benchmarks. This performance gap primarily arises from simplistic assumptions regarding user mobility patterns, static resource allocation strategies, and limited adaptability to changing network conditions. As the industry transitions toward sixth-generation (6G) networks, addressing these challenges through dynamic reconfiguration and advanced management mechanisms becomes critically important. This thesis investigates fundamental questions related to dynamic resource allocation, seamless service continuity during user mobility, and robust security in highly automated edge network environments. Specifically, the research addresses the following key problems: how can Artificial Intelligence and Machine Learning (AI/ML) techniques be leveraged to dynamically enhance and optimize resource allocation within the Radio Access Network (RAN)? How can low-latency access be continuously maintained for mobile users within Multi-Access Edge Computing (MEC) frameworks? Lastly, how can the security and resilience of edge network infrastructures be guaranteed against evolving threats such as Denial of Service (DoS) attacks? To tackle dynamic resource allocation challenges, we designed and incorporated an MLOps platform within the 5G architecture, which collects user and radio data through a custom Network Data Analytics Function (NWDAF) module. By employing deep learning techniques, we predict user demands, application interactions, and radio conditions, enabling proactive reallocation of Physical Resource Blocks (PRB). This approach demonstrates a successful transition from traditional network-aware applications—where services must adapt to network conditions—to a novel service-aware paradigm, wherein the network autonomously aligns itself with real-time application needs, significantly reducing resource over- and under-provisioning. To ensure seamless service continuity in MEC environments, we introduced a heterogeneous connectivity framework integrating both 3GPP and non-3GPP technologies. We developed a service migration controller that dynamically selects optimal Radio Access Technology (RAT) paths based on real-time radio conditions, that also migrates edge services closer to user locations. Additionally, we proposed and implemented a Deep Reinforcement Learning (DRL)-based migration approach, utilizing multi-cell Round-Trip Time (RTT) measurements to proactively reposition services and maintain continuous, low-latency access during user mobility. Extensive experimental evaluations validated the effectiveness of this approach, demonstrating uninterrupted high-quality user experiences.Addressing network security, we integrated a robust anomaly detection mechanism within an Open RAN architecture. This system identifies and mitigates real-time security threats such as DoS attacks, dynamically adjusting resource allocations, and manages the users to maintain network integrity and service quality. The synergy of dynamic resource allocation and security enhancements significantly improves the resilience and reliability of next-generation network infrastructures. Comprehensive experimental evaluations conducted in realistic testbed environments highlight substantial improvements across multiple performance metrics, including reduced latency, increased throughput, optimized resource utilization, and enhanced energy efficiency. These results demonstrate the practical viability and efficacy of the proposed methodologies, providing robust foundations for addressing similar challenges anticipated in emerging 6G network ecosystems.

Τα τηλεπικοινωνιακά δίκτυα πέμπτης γενιάς (5G) υπόσχονται πρωτοφανείς βελτιώσεις στη συνδεσιμότητα, προσφέροντας υψηλούς ρυθμούς δεδομένων, εξαιρετικά αξιόπιστες επικοινωνίες χαμηλής καθυστέρησης (URLLC) και μαζική διασύνδεση ετερογενών συσκευών. Οι δυνατότητες αυτές αποτελούν κρίσιμο καταλύτη για την υποστήριξη εφαρμογών όπως τα αυτόνομα οχήματα, η απομακρυσμένη χειρουργική, ο βιομηχανικός αυτοματισμός και το Διαδίκτυο των Πραγμάτων (IoT). Ωστόσο, οι πραγματικές εγκαταστάσεις συχνά δεν ανταποκρίνονται στις αναμενόμενες επιδόσεις, εξαιτίας απλοϊκών υποθέσεων σχετικά με την κινητικότητα των χρηστών, στατικής κατανομής πόρων και περιορισμένης προσαρμογής σε δυναμικά περιβάλλοντα. Αυτές οι αδυναμίες καθιστούν αναγκαία την ανάπτυξη προηγμένων μηχανισμών δυναμικής αναδιαμόρφωσης και ευφυούς διαχείρισης, καθώς η βιομηχανία προετοιμάζεται για τα δίκτυα έκτης γενιάς (6G). Η παρούσα διατριβή διερευνά θεμελιώδη ερωτήματα που αφορούν τη δυναμική κατανομή πόρων, τη συνεχή παροχή υπηρεσιών σε κινητούς χρήστες και την ενίσχυση της ασφάλειας σε αυτοματοποιημένα περιβάλλοντα δικτύων. Συγκεκριμένα, η έρευνα απαντά στα εξής κρίσιμα ερωτήματα: Πώς μπορούν οι τεχνικές Τεχνητής Νοημοσύνης και Μηχανικής Μάθησης (AI/ML) να αξιοποιηθούν για τη δυναμική βελτιστοποίηση της κατανομής πόρων στο Δίκτυο Πρόσβασης Ασύρματου Μέσου (ΔΠΑΜ) (RAN); Πώς μπορεί να διατηρείται συνεχής πρόσβαση χαμηλής καθυστέρησης για κινητούς χρήστες σε Περιβάλλοντα Υπολογιστικής Ισχύος στην Άκρη του Δικτύου (ΠΥΙΑΔ) (MEC); Τέλος, πώς μπορεί να διασφαλιστεί η ασφάλεια και ανθεκτικότητα των τηλεπικοινωνιακών δικτύων έναντι απειλών όπως οι επιθέσεις άρνησης υπηρεσίας (ΕΑΥ) (DoS); Για την βέλτιστη κατανομή πόρων στο ΔΠΑΜ, αναπτύξαμε μια πλατφόρμα Λειτουργικής Διαχείρισης Μηχανικής Μάθησης (MLOps) ενσωματωμένη στην αρχιτεκτονική 5G, η οποία συλλέγει δεδομένα χρηστών και ΔΠΑΜ μέσω μιας προσαρμοσμένης λειτουργίας Αναλυτικής Επεξεργασίας Δεδομένων Δικτύου (NWDAF). Με τη χρήση μοντέλων βαθιάς μάθησης, προβλέπουμε τη ζήτηση των χρηστών, τις συνθήκες του ΔΠΑΜ και τις απαιτήσεις των εφαρμογών, επιτρέποντας την προληπτική και δυναμική κατανομή των πόρων του RAN. Αυτή η προσέγγιση σηματοδοτεί τη μετάβαση από ένα παραδοσιακό μοντέλο προσαρμογής των εφαρμογών στο δίκτυο (network-aware) σε ένα καινοτόμο μοντέλο προσανατολισμένο στις υπηρεσίες (service-aware), στο οποίο το ίδιο το δίκτυο προσαρμόζεται στις ανάγκες των εφαρμογών σε πραγματικό χρόνο, μειώνοντας δραστικά την υπερ- ή υπο-κατανομή πόρων. Για την εξασφάλιση συνεχούς πρόσβασης χαμηλής καθυστέρησης σε ΠΥΙΑΔ, αναπτύξαμε μια πλατφόρμα ετερογενούς συνδεσιμότητας που ενσωματώνει τεχνολογίες 3GPP και μη-3GPP. Δημιουργήσαμε έναν ελεγκτή δυναμικής μετεγκατάστασης υπηρεσιών (Service Live Migration), που επιλέγει τη Βέλτιστη Τεχνολογία Πρόσβασης στο Ασύρματο Μέσο (RAT) με βάση τις πραγματικές συνθήκες του δικτύου και αξιοποιεί έναν αλγόριθμο Βαθιάς Ενισχυτικής Μάθησης (DRL) για την προληπτική μετεγκατάσταση των υπηρεσιών MEC πιο κοντά στους χρήστες. Οι πειραματικές αξιολογήσεις επιβεβαίωσαν τη σημαντική βελτίωση της καθυστέρησης πρόσβασης και της συνέχειας των υπηρεσιών κατά την κινητικότητα των χρηστών. Τέλος, ενσωματώσαμε έναν ισχυρό μηχανισμό ανίχνευσης ανωμαλιών στην αρχιτεκτονική ανοιχτού ΔΠΑΜ (O-RAN), ο οποίος αναγνωρίζει και αντιμετωπίζει απειλές όπως η ΕΑΥ σε πραγματικό χρόνο, διασφαλίζοντας την ακεραιότητα και τη συνεχή ποιότητα των υπηρεσιών. Οι πειραματικές αξιολογήσεις καταδεικνύουν σημαντικές βελτιώσεις σε καθυστέρηση, διαμεταγωγή, βέλτιστη αξιοποίηση πόρων και ενεργειακή αποδοτικότητα, επιβεβαιώνοντας τη βιωσιμότητα των προτεινόμενων λύσεων, και παρέχουν στέρεες βάσεις για την αντιμετώπιση αντίστοιχων προκλήσεων στα επερχόμενα δίκτυα 6G.

Les réseaux de télécommunications de cinquième génération (5G) promettent des avancées sans précédent en matière de connectivité, offrant des débits de données extrêmement élevés, des communications ultra-fiables à très faible latence (URLLC) ainsi qu'une connectivité massive pour une diversité d'appareils. Ces caractéristiques sont essentielles pour soutenir des applications critiques telles que les véhicules autonomes, la chirurgie à distance, l'automatisation industrielle et l’Internet des objets (IoT). Cependant, malgré leurs performances théoriques remarquables, les déploiements pratiques peinent souvent à atteindre les indicateurs de performance attendus, principalement en raison d’hypothèses simplistes sur les schémas de mobilité des utilisateurs, d’une allocation statique des ressources réseau, et d’une capacité d’adaptation limitée face aux conditions changeantes du réseau. À mesure que l'industrie évolue vers les réseaux de sixième génération (6G), il devient crucial de résoudre ces défis par des mécanismes avancés de reconfiguration dynamique et de gestion.

Cette thèse examine des questions fondamentales liées à l'allocation dynamique des ressources, à la continuité transparente des services lors de la mobilité des utilisateurs, ainsi qu’à la sécurité robuste des environnements réseau hautement automatisés. Plus précisément, elle répond aux problématiques suivantes : comment les techniques d’intelligence artificielle et d’apprentissage automatique (AI/ML) peuvent-elles être exploitées pour optimiser dynamiquement l'allocation des ressources au sein du réseau d'accès radio (RAN) ? Comment peut-on maintenir en permanence un accès à faible latence pour les utilisateurs mobiles dans des environnements Multi-Access Edge Computing (MEC) ? Enfin, comment assurer la sécurité et la résilience des infrastructures réseau pilotées par l’IA face à des menaces évolutives telles que les attaques par déni de service (DoS) ?

Pour résoudre les défis liés à l'allocation dynamique des ressources, nous avons conçu et intégré une plateforme MLOps au sein de l'architecture 5G. Celle-ci collecte les données utilisateurs et radio via une fonction analytique réseau personnalisée (NWDAF). En utilisant des techniques d'apprentissage profond (deep learning), nous prédisons les besoins des utilisateurs ainsi que les conditions radio, permettant une réallocation proactive des ressources basée sur ces prédictions. Cette approche permet une transition réussie du modèle traditionnel où les applications doivent s'adapter aux conditions du réseau (network-aware), vers un nouveau paradigme orienté service (service-aware), dans lequel le réseau s’adapte automatiquement aux besoins applicatifs en temps réel, réduisant ainsi significativement la surallocation et la sous-allocation des ressources.

Pour garantir la continuité des services dans les environnements MEC, nous avons développé un cadre de connectivité hétérogène intégrant à la fois les technologies 3GPP et non-3GPP. Nous avons également conçu un contrôleur de migration de services MEC capable de sélectionner dynamiquement le meilleur chemin de technologie d'accès radio (RAT), en utilisant un modèle basé sur l’apprentissage par renforcement profond (DRL). Ce modèle exploite des mesures Round-Trip Time (RTT) provenant de multiples cellules pour relocaliser proactivement les services, garantissant ainsi un accès à faible latence constant lors des déplacements des utilisateurs. Des évaluations expérimentales approfondies ont confirmé l'efficacité de cette approche, assurant une expérience utilisateur continue et de haute qualité.

Concernant la sécurité réseau, nous avons intégré un mécanisme robuste de détection d’anomalies au sein d’une architecture Open RAN. Ce mécanisme identifie et atténue en temps réel les menaces telles que les attaques par déni de service (DoS), en ajustant dynamiquement les ressources réseau pour préserver l'intégrité et la qualité du service. L'intégration de cette sécurité à l'allocation dynamique des ressources améliore significativement la résilience et la fiabilité des infrastructures réseau pilotées par l’IA.

Des évaluations expérimentales complètes menées dans des environnements réalistes démontrent des améliorations substantielles dans plusieurs indicateurs de performance clés, notamment une réduction de la latence, une augmentation du débit, une optimisation de l'utilisation des ressources et une efficacité énergétique accrue. Ces résultats valident la faisabilité pratique et l’efficacité des méthodologies proposées, établissant ainsi des bases solides pour relever des défis similaires et plus complexes dans les futurs réseaux 6G.

En résumé, cette thèse contribue significativement à la réalisation d'infrastructures de télécommunications flexibles, sécurisées et intelligentes, réduisant efficacement l’écart entre les capacités théoriques et les performances opérationnelles réelles des réseaux.