Le reti di backbone di prossima generazione dovranno essere in grado di soddisfare le esigenze derivanti dall¿utilizzo di nuovi servizi e applicazioni (Internet of Things, Augmented Reality, applicazioni 5G Ultra-Reliable, Low Latency Communication). Sarà in particolare necessario evolvere l¿organizzazione del piano di controllo della rete verso un approccio autonomo, basato sull¿utilizzo di tecniche di Machine Learning (ML), che riduca/elimini l¿intervento umano e consenta alla rete di adattarsi in maniera proattiva alle richieste di traffico e ad eventi critici.
In questo contesto, il progetto INTERACT si propone di definire nuovi algoritmi di Traffic Engineering (TE) basati su soluzioni di Deep Reinforcement Learning, in cui un continuo processo di apprendimento consente di ¿allenare¿ una (o più) rete neurale per reagire agli eventi in maniera proattiva. Gli algoritmi proposti, definiti TE AI-ready, saranno caratterizzati da un punto di vista della complessità, valutando i tempi di convergenza della fase di training e della fase operativa (di testing). L¿obiettivo successivo sarà la definizione di un nuovo piano di controllo che consentirà di implementare gli algoritmi TE AI-ready in due piano diversi: i) a livello centrale per quanto riguarda la fase di training, e ii) a livello locale per quanto riguarda la fase operativa. L¿implementazione locale sarà possibile solo in un sotto-insieme di nodi della rete, definiti nodi AI, in cui sarà presente hardware dedicato (schede FPGA). La soluzione proposta consentirà di ridurre in maniera significativa i tempi di reazione della rete, sfruttando per la fase operativa l¿esecuzione in hardware dell¿algoritmo TE AI-ready e la possibilità di evitare la comunicazione tra nodi e piano di controllo centrale. Sarà infine realizzato un testbed sperimentale, basato sulla tecnologia Segment Routing, per la validazione e caratterizzazione prestazionale della proposta.
Il progetto INTERACT si propone di fornire un contributo innovativo alla ricerca nel campo dell'automazione del controllo di una rete backbone. Più in dettaglio, considerando la complessità dell'obiettivo e le risorse a disposizione, INTERACT sarà focalizzato su uno specifico aspetto del controllo di rete: l'Ingegneria del Traffico (Traffic Engineering - TE).
Il primo contributo del progetto riguarderà la definizione, e la relativa caratterizzazione, di diversi algoritmi di TE per la gestione proattiva dei percorsi di rete basati sul principio del Deep Reinforcement Learning (DRL). Rispetto alle diverse soluzioni proposte in letteratura, INTERACT definirà le nuove soluzioni TE AI-ready sulla base della relativa complessità di integrazione all'interno del piano di controllo di una rete backbone. Per questo motivo, per le diverse soluzioni definite, saranno valutati tutti i parametri che ne caratterizzano la complessità implementativa:
- dati d'ingresso da collezionare, quali carico dei link, topologia rete, contatori di traffico (in funzione della specifica soluzione protocollare utilizzata. i.e SRv6), eventi topologici, anomalie, etc...
- tempi di convergenza della fase di training
- tempi e/o eventi che determinano una ri-esecuzione della fase di training
Gli algoritmi TE AI-ready definiti saranno quindi ispirati ai principi del DRL ma avranno una specifica customizzazione in virtù delle caratteristiche del piano di controllo della rete. La valutazione prestazionale proposta consentirà di confrontare diverse strategie di DLR e di individuare la soluzione migliore in funzione dello specifico contesto di rete.
Dal punto di vista sistemistico il progetto INTERACT si propone di definire un approccio per l'integrazione degli algoritmi TE AI-ready all'interno del piano di controllo/gestione della rete. Questo aspetto rappresenta un passo decisivo verso l'effettiva automazione delle modalità di controllo di una rete backbone. L'aspetto innovativo della soluzione proposta da INTERACT sarà l'implementazione della fase di training in maniera centralizzata e la realizzazione della fase operativa in modalità locale, grazie all'utilizzo di hardware dedicato (schede FPGA) per l'esecuzione rapida degli algoritmi TE AI-ready proposti. La proposta architetturale ha come punto di forza la possibilità di disaccoppiare la fase di training, ad alta complessità, da quella operativa, in modo da minimizzare i tempi di reazione della rete e rispettare i vincoli prestazionali delle nuove applicazioni da supportare
Ultimo contributo del progetto sarà la realizzazione di un testbed sperimentale basato su hardware general purpose (PC e schede FPGA) e software open source. Il testbed sarà basato sul nuovo paradigma di rete SRv6 e avrà come elemento centrale i router con moduli hardware FPGA (nodi AI). Il testbed sperimentale consentirà in prima istanza di verificare la realizzabilità della soluzione proposta, con particolare riferimento alla gestione dei nodi AI da parte del piano di controllo centralizzato. In secondo luogo, il testbed sperimentale sarà lo strumento principale per realizzare una valutazione prestazionale del piano di controllo proposto. Il progetto INTERACT definirà una serie di parametri per caratterizzare l'impatto degli algoritmi TE AI-ready sulle prestazioni della rete. Saranno inoltre oggetto di valutazione le prestazioni percepite dagli utenti, in termini di ritardo end-to-end e jitter. Il software realizzato per l'implementazione del piano di controllo sarà messo a disposizione della comunità accademica, valutando la possibilità di integrazioni con soluzioni open-source già esistenti (per quest'ultima attività sarà fondamentale la disponibilità di un assegnista di ricerca). L'implementazione del piano di controllo avrà come elemento innovativo il modulo di configurazione dei nodi AI, per il settaggio locale degli iper-parametri calcolati durante la fase di training.