@misc{10481/77411,
year = {2022},
month = {9},
url = {https://hdl.handle.net/10481/77411},
abstract = {En este documento se presenta el trabajo de investigación llevado a cabo para el proyecto 6G-CHRONOS de la Universidad de Granada y que tiene como objetivo la integración del conjunto de estándares del IEEE que conforman las redes deterministas Time-Sensitive Networking (TSN) junto con la quinta generación de tecnologías de redes móviles (5G) del 3GPP para la automatización de los procesos en la actual y creciente Industria 4.0. En concreto, este estudio se centra en el caso de TSN síncrono con la optimización del planificador
Time-Aware Shaper (TAS), donde se han de tener en cuenta aspectos de especial relevancia como la sincronización de relojes entre los dispositivos, las fluctuaciones producidas
por el procesamiento de las tramas en las NFV y el uso de network slices y colas de prioridad para la segmentación del tráfico con el fin de aislar y ajustar los tiempos de
transmisiones periódicas de tráfico URLLC. Dichas comunicaciones poseen unos requisitos que vienen definidos principalmente por un retardo extremo a extremo y un jitter acotados
que no pueden excederse, pues de lo contrario las aplicaciones críticas no serían realizables. Por otro lado, el uso de este tipo de redes de acceso inalámbricas ofrece movilidad para un
mayor volumen de dispositivos conectados y con un menor coste de despliegue asociado cuando se alquila la infraestructura de un operador, aunque también implican un mayor
retardo al hacer uso del canal radio para la transmisión y recepción de la información. Por ello es importante planificar unos tiempos que se adecuen a los requerimientos de cada
comunicación, con lo que se ha desarrollado un modelo de TAS en Python orientado a la minimización del retardo de los distintos flujos a través de las posibles rutas. De este modo,
se ha optado por un esquema zero-wait, el cual evita el retardo ocasionado por la espera en colas y que se añade a los retardos de conmutación, transmisión y propagación; aunque
esto provoca la aparición de intervalos de tiempo en los que no es posible la transmisión de ninguna de las otras colas de prioridad dado su tamaño insuficiente, disminuyendo así
el throughput en los enlaces. Es por este motivo por el que se ha decidido tener en cuenta estos huecos para evaluar distintas combinaciones de rutas para cada flujo y con ello maximizar
también la utilización de los enlaces a través de métodos de Inteligencia Artificial, más concretamente con los algoritmos genéticos y el aprendizaje automático supervisado
en base a sus resultados. De esta forma, se ha concluido con un modelo efectivo capaz de optimizar a través de pesos los resultados de ambos parámetros según la topología de red
desplegada y las características de los flujos. Además, ofrece resiliencia ya que se analizan a priori fallos en la red para mantener en medida de lo posible el rendimiento logrado a
través de la reconfiguración de los tiempos en rutas alternativas. Finalmente, se ha adaptado el modelo a las peculiaridades de 5G a través de bandas de guarda para la absorción
de las fluctuaciones con los bridges 5G como caja negra, viendo así el gran problema que suponen los retardos entre sus puertos virtuales.},
abstract = {This document presents the research work carried out for the 6G-CHRONOS project of the University of Granada, which aims at integrating the set of IEEE standards that make up the deterministic Time-Sensitive Networking (TSN) together with the 3GPP’s fifth generation of mobile network technologies (5G) for the automation of processes in the current and growing Industry 4.0. In particular, this study focuses on the case of synchronous
TSN with the optimization of the Time-Aware Shaper (TAS), where aspects of special relevance such as clock synchronization between devices, jitter caused by frame processing in NFVs and the use of network slices and priority queues for traffic segmentation in order to isolate and adjust the timing of periodic transmissions of URLLC traffic must be taken into account. Such communications have requirements that are mainly defined by a bounded
end-to-end delay and jitter that cannot be exceeded, otherwise critical applications would not be feasible. Furthermore, the use of this type of wireless access networks offers mobility for a higher volume of connected devices and with a lower deployment cost when infrastructure is rented from an operator, although they also imply a higher delay when making use of the radio channel for the transmission and reception of information. For this reason, it is important to plan times that adapt to the requirements of each communication, so a TAS model has been developed in Python aimed at minimizing the delay of the different flows through the possible routes. In this way, a zero-wait scheme has been chosen, which avoids the delay caused by waiting in queues and which is added to the switching, transmission and propagation delays; although this causes the appearance of time intervals in which the transmission of any of the other priority queues is not possible due to their insufficient size, thus reducing the throughput in the links. Consequently, these gaps have been taken into account in order to evaluate different combinations of routes for every flow and thus also maximize the utilization of the links through Artificial Intelligence methods, more specifically with genetic algorithms and supervised machine learning based on their results. In this way, we have concluded with an effective model capable of optimizing through weights the results of both parameters according to the network topology deployed and the characteristics of the flows. Moreover, it offers resilience since network failures are analyzed a priori in order to maintain as much as possible the performance achieved through the reconfiguration of the times on alternative routes. Finally, the model has been adapted to the peculiarities of 5G through guardbands for jitter absorption with 5G bridges as a black box, thus seeing the major problem of delays between its virtual ports.},
keywords = {Comunicaciones Síncronas},
keywords = {Synchronous Communications},
keywords = {Time-Sensitive Networking},
keywords = {TSN},
keywords = {Time-Aware Shaper},
keywords = {TAS},
keywords = {IEEE},
keywords = {IEEE 802.1Qbv},
keywords = {3GPP},
keywords = {5G},
keywords = {New Radio},
keywords = {Industria 4.0},
keywords = {Industry 4.0},
keywords = {Industrial Internet of Things},
keywords = {IIoT},
keywords = {Network Slices},
keywords = {Ultra-Reliable Low-Latency Communications},
keywords = {URLLC},
keywords = {Aprendizaje Automático},
keywords = {Machine Learning},
keywords = {Algoritmos Genéticos},
keywords = {Genetic Algorithms},
keywords = {Redes Deterministas},
keywords = {Deterministic Networks},
title = {Configuración de Redes TSN Síncronas para el Transporte de Network Slices en 5G. Optimización del Planificador mediante Machine Learning},
doi = {10.30827/Digibug.77411},
author = {Rodríguez Martín, Pablo},
}