Abstract

A surge in diverse novel network services is being driven by the 4th Industrial revolution and by a number of new Internet of Things (IoT) use cases. With the emergence of 5G mobile broadband, Network Slicing (NS) has been recognized as a solution for service diversification. It enables network operators to create service-aware logical networks customized for different vertical industries, which have diverse requirements in terms of functionality, performance and resource separation. Provisioning of end-to-end delay-critical communication across multiple network domains is one of the key requirements for enabling future services. In addition, due to the decreasing size of end devices, a number of use cases depend on reliable and latency constrained computational offloading. The extension of the cloud computing concept into edge computing, located in the access network, is another key technological trend that enables reductions in latency, costs, and security risks.

This thesis proposes novel resource allocation mechanisms for network traffic with strict latency limitations. First, a multi-domain network slicing framework is designed, based on a novel multipath multihop delay model. This framework encompasses a novel hierarchical orchestration mechanism and a mechanism for dynamic slice resizing. Next, the problem of latency limited on-demand computational tasks offloading to Multi-access Edge Computing (MEC) and cloud servers is considered. The offloading decision and resource allocation problem is formulated as a joint optimization of communication and computation resources. Then, low complexity heuristic algorithms are proposed with the aim to minimize the total resource consumption of the system. Optimal solution-based, reinforcement learning-based resource allocation algorithms are proposed to efficiently handle latency limited tasks and tasks with extremely low latency requirements. Finally, an algorithm placement strategy for delay-critical continuous IoT data stream processing is proposed as well as a nanoservice orchestration framework for local edge computing. Presented numerical analysis results demonstrate the feasibility and high efficiency of the proposed solutions.

Tiivistelmä

Neljäs teollinen vallankumous ja uudet esineiden internetin (IoT) käyttötapaukset luovat tarvetta uusille verkkoteknologioille ja verkon palveluille. 5G-mobiililaajakaista-palvelujen kehittämisessä verkkojen viipalointi on tunnistettu ratkaisuna palvelujen monipuolistamiseen. Sitä hyödyntäen verkko-operaattorit voivat luoda palvelutietoisia loogisia verkkoja, jotka ovat räätälöity eri vertikaalisille toimialoille, ja joilla on erilaiset vaatimukset toimivuuden, suorituskyvyn ja resurssien erottelun suhteen. Päästä päähän -viivekriittisen viestinnän tarjoaminen useiden verkkoalueiden välillä on yksi keskeisistä vaatimuksista tulevien palvelujen mahdollistamiseksi. Lisäksi päätelaitteiden pienenevän koon vuoksi useat käyttötapaukset riippuvat luotettavasta ja latenssirajoitteisesta laskennan siirrosta hyödyntämällä reunalaskentaa. Pilvilaskentakonseptin laajentaminen liityntäverkossa sijaitsevaan reunalaskentaan on toinen keskeinen teknologinen trendi, joka mahdollistaa viiveen, kustannusten ja tietoturvariskien vähentämisen.

Tässä väitöskirjassa ehdotetaan uusia resurssien allokointimekanismeja verkkoliikenteelle, jossa on tiukat viiverajoitukset. Työssä on kehitetty ensin monitoimialueen verkon viipalointiviitekehys, joka perustuu uuteen monitie-monihyppy-viivemalliin. Tämä viitekehys sisältää uuden hierarkkisen orkestrointimekanismin ja mekanismin dynaamiseen viipaleiden koon muuttamiseen. Seuraavaksi työssä on tarkasteltu ongelmaa, joka liittyy rajoitettujen tilausperusteisten laskentatehtävien siirtämisen reunalaskenta- ja pilvipalvelimille. Laskennan siirtoon ja resurssien allokointiin liittyvä optimointiongelma on formuloitu viestintä- ja laskentaresurssien samanaikaista optimointia varten. Seuraavaksi työssä on tutkittu epäkompleksisia heuristisia algoritmeja, joiden tavoitteena on minimoida järjestelmän kokonaisresurssien kulutus. Työssä ehdotetaan ratkaisupohjaisia ja vahvistusoppimiseen perustuvia resurssien allokointialgoritmeja käsittelemään tehtäviä, joilla on erittäin tiukat viivevaatimukset. Lopuksi työssä analysoidaan strategiaa algoritmien sijoittamiseen viivekriittiseen jatkuvaan IoT-datavirran käsittelyssä, sekä reunalaskennan orkestrointiviitekehys palveluiden optimaaliseen sijoittamiseen paikallisessa verkossa. Esitetyt numeeriset analyysitulokset osoittavat ehdotettujen ratkaisujen toteutettavuuden ja korkean tehokkuuden.

Osajulkaisut / Original papers

Osajulkaisut eivät sisälly väitöskirjan elektroniseen versioon. / Original papers are not included in the electronic version of the dissertation.

1. Kovacevic, I., Shafigh, A. S., Glisic, S., Lorenzo, B., & Hossain, E. (2020). Multi-domain network slicing with latency equalization. IEEE Transactions on Network and Service Management, 17(4), 2182–2196. https://doi.org/10.1109/TNSM.2020.3008005

   Rinnakkaistallennettu versio / Self-archived version

2. Kovacevic, I., Harjula, E., Glisic, S., Lorenzo, B., & Ylianttila, M. (2021). Cloud and edge computation offloading for latency limited services. IEEE Access, 9, 55764–55776. https://doi.org/10.1109/ACCESS.2021.3071848

   Rinnakkaistallennettu versio / Self-archived version

3. Kovacevic, I., Ul Haq, R. I., Okwuibe, J.,Kumar, T.,Glisic, S., Ylianttila, M., & Harjula, E. (2022). Reinforcement learning based cloud and edge resource allocation for real-time telemedicine. Manuscript submitted for publication.

4. Ejaz, M., Kumar, T., Kovacevic, I., Ylianttila, M., & Harjula, E. (2021). Health-BlockEdge: Blockchain-edge framework for reliable low-latency digital healthcare applications. Sensors, 21(7), 2502. https://doi.org/10.3390/s21072502

   Rinnakkaistallennettu versio / Self-archived version

5. Islam, J., Kumar, T., Kovacevic, I., & Harjula, E. (2021). Resource-aware dynamic service deployment for local IoT edge computing: Healthcare use case. IEEE Access, 9, 115868–115884. https://doi.org/10.1109/ACCESS.2021.3102867

   Rinnakkaistallennettu versio / Self-archived version