Ricerc@Sapienza

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.