Adaptive Multipath Scheduling for 5G Networks and Beyond: A Learning Perspective

Abstract

With the ready availability of multiple radio interfaces in today's smart devices, there is a growing number of hosts that can support data communication over two or more interfaces. Nonetheless, the classical transport protocols such as TCP, UDP, and the emerging QUIC still only utilize one interface at a time for data communication. In the past few years, the advents of multipath transport protocols begin to fill such a gap thanks to the proposals, standardizations, and deployments from academia and industry. Multipath transport protocols allow the concurrent use of multiple network paths for fast and reliable data exchange, potentially improving the performance and resilience of Internet traffic flows. Among the functionalities of multipath transport protocols, the multipath scheduler plays a key role since it controls the distribution of data packets over different network paths. Scheduling problem becomes quite challenging for existing multipath schedulers that are designed based on predefined rules considering the dynamic path characteristics (e.g., time-varying bandwidth, delay, and packet loss) of 5G and beyond networks. In this thesis, we focus on adaptive multipath scheduling algorithms, tackling the challenges brought from dynamic 5G networks and beyond. Firstly, to understand the context of our work, we conduct a survey on multipath transport for 5G networks, where the network path can present in the form of 4G, 5G, and WLAN. Specifically, we discuss how the literature on multipath transport maps to specific 5G steering functionalities and slice service types, paving the way for applying multipath transport for 5G and beyond. The survey acknowledges the necessity to design an adaptive multipath scheduler for dynamic network paths and points out the learning-based design as a potential solution. Next, following a learning-based design, we start from the case where dynamic network paths are heterogeneous, e.g., 4G and WLAN. To this end, we propose Peekaboo, a novel online learning-based multipath scheduler that is able to learn scheduling decisions to adopt from both deterministic and stochastic aspects. From the emulations and real-world examinations, we demonstrate the superiority of Peekaboo over the multipath schedulers based on predefined rules. However, we acknowledge, from the experiments, the superiority of Peekaboo mainly exists within the heterogeneous networks. Then, we extend the adaptive multipath scheduler's applicable scenarios to also generic dynamic network paths, aiming for different types of path combinations that can appear in 5G. To this end, we propose M-Peekaboo with a generic path selection scheme by generalizing the learning framework of Peekaboo. From the 5G-trace-driven emulations across both static and mobile scenarios, we demonstrate the benefits of M-Peekaboo over Peekaboo and the multipath schedulers based on predefined rules. However, due to the online learning essences of Peekaboo and M-Peekaboo, we acknowledge that neither of them can adapt sufficiently fast to match the rapidly changing networks. Finally, to fill such a gap, we propose FALCON, which uses offline learning for deriving metamodels that are fine-tuned by online learning to improve the quality and speed of adaptation simultaneously. From the 5G-trace-driven emulations across both static and mobile scenarios and real-world examinations, FALCON is shown to have a much shorter adaptation time and better adaptation accuracy than M-Peekaboo and other newly proposed learning-based multipath schedulers that appeared during the writing of this thesis.

Med den tilgjengelige tilgjengeligheten av flere radiogrensesnitt i dagens smarte enheter, er det et økende antall verter som kan støtte datakommunikasjon over to eller flere grensesnitt. Ikke desto mindre bruker de klassiske transportprotokollene som TCP, UDP og den nye QUIC fortsatt bare ett grensesnitt om gangen for datakommunikasjon. I løpet av de siste årene har fremskrittene med flerveis transportprotokoller begynt å fylle et slikt hull takket være forslagene, standardiseringene og distribusjonene fra akademia og industri. Multipath transportprotokoller tillater samtidig bruk av flere nettverksbaner for rask og pålitelig datautveksling, noe som potensielt forbedrer ytelsen og motstandskraften til internettrafikkstrømmer. Blant funksjonalitetene til flerbanetransportprotokoller spiller flerbaneplanleggeren en nøkkelrolle siden den styrer fordelingen av datapakker over forskjellige nettverksbaner. Planleggingsproblem blir ganske utfordrende for eksisterende flerbaneplanleggere som er designet basert på forhåndsdefinerte regler med tanke på de dynamiske banegenskapene (f.eks. Tidsvarierende båndbredde, forsinkelse og tap av pakker) for 5G og utover nettverk. I denne oppgaven fokuserer vi på adaptive flerbaneplanleggingsalgoritmer, og takler utfordringene fra dynamiske 5G -nettverk og videre. For det første, for å forstå konteksten i arbeidet vårt, gjennomfører vi en undersøkelse om flerveis transport for 5G -nettverk, der nettverksbanen kan presenteres i form av 4G, 5G og WLAN. Spesielt diskuterer vi hvordan litteraturen om flerveis transportkart til spesifikke 5G - styringsfunksjoner og skive tjenestetyper, baner vei for å anvende flerveis transport for 5G og utover. Undersøkelsen erkjenner nødvendigheten av å designe en adaptiv flerbaneplanlegger for dynamiske nettverksbaner og peker på det læringsbaserte designet som en potensiell løsning. Etter et læringsbasert design starter vi ut fra det tilfellet der dynamiske nettverksbaner er heterogene, f.eks. 4G og WLAN. For dette formål foreslår vi Peekaboo, en ny online læringsbasert flerbaneplanlegger som er i stand til å lære planleggingsbeslutninger å ta fra både deterministiske og stokastiske aspekter. Fra emuleringene og virkelige undersøkelser demonstrerer vi Peekaboo sin overlegenhet i forhold til flerbaneplanleggerne basert på forhåndsdefinerte regler. Imidlertid erkjenner vi, fra eksperimentene, at Peekaboo - overlegenhet hovedsakelig eksisterer i de heterogene nettverkene. Deretter utvider vi de adaptive flerbaneplanleggerens gjeldende scenarier til også generiske dynamiske nettverksbaner, med sikte på forskjellige typer banekombinasjoner som kan vises i 5G. For dette formål foreslår vi M-Peekaboo med en generisk stievalgordning ved å generalisere læringsrammen til Peekaboo. Fra de 5G-spor-drevne emuleringene på tvers av både statiske og mobile scenarier demonstrerer vi fordelene med M-Peekaboo fremfor Peekaboo og flerbaneplanleggerne basert på forhåndsdefinerte regler. På grunn av de elektroniske læringsessensene til Peekaboo og M-Peekaboo, erkjenner vi imidlertid at ingen av dem kan tilpasse seg tilstrekkelig raskt for å matche de raskt skiftende nettverkene. Til slutt, for å fylle et slikt gap, foreslår vi FALCON, som bruker offline læring for å utlede metamodeller som er finjustert av online læring for å forbedre kvaliteten og hastigheten på tilpasning samtidig. Fra 5G-spor-drevne emuleringer på tvers av både statiske og mobile scenarier og virkelige undersøkelser, har FALCON vist seg å ha en mye kortere tilpasningstid og bedre tilpasningsnøyaktighet enn M-Peekaboo og andre nylig foreslåtte læringsbaserte flerbaneplanleggere som dukket opp under skrivingen av denne oppgaven.