Modelo de conciencia situacional para el análisis de datos en redes móviles 5Garquitectura selfNET

Resumen

Las redes 5G proporcionarán un entorno seguro, confiable y de alto rendimiento con interrupciones mínimas en la provisión de servicios avanzados de red, sin importar la localización del dispositivo o cuando se requieran los mismos. Esta nueva generación de red será capaz de proporcionar alta velocidad, baja latencia y buena calidad de servicio. Para proveer estas capacidades 5G propone la combinación de tecnologías avanzadas tales como: Redes Definidas por Software, Virtualización de las Funciones de Red, Redes Auto-organizadas e Inteligencia Artificial. De manera especial, 5G será capaz de solucionar o mitigar cambios inesperados o problemas típicos de red a través de la identificación de situaciones específicas, tomando en cuenta las necesidades del usuario y los Acuerdos de Nivel de Servicio. En este contexto el proyecto ¿SELFNET - Self-Organized Network Management in Virtualized and Software Defined Networks¿ combina los conceptos de SDN, NFV Y SON para proveer un marco de gestión autónomo e inteligente para redes 5G. Con este propósito se presenta en esta tesis la aplicabilidad de las tres fases del procesamiento de información del modelo situacional de Endsley. Este enfoque toma en cuenta los lineamientos de gestión tradicional y el dinamismo de los ambientes 5G para sentar las bases de un sistema con conciencia situacional. El modelo de conciencia situacional de SELFNET tiene el conocimiento de lo que está sucediendo en los diferentes elementos de la red, cómo optimizar su rendimiento y cómo solucionar o prevenir fallos. Un pilar fundamental del enfoque presentado es el análisis contextual de la información recolectada procedente de los dispositivos de red, el cual es un tema emergente en este tipo de entornos. Esta tesis también propone el marco de análisis de SELFNET para diagnosticar el estado de la red y predecir problemas potenciales, facilitando el proceso de toma de decisiones en entornos 5G. Esta propuesta proporciona capacidades para el reconocimiento de patrones, razonamiento y predicción con el objetivo de inferir conductas sospechosas y luego facilitar respuestas reactivas y proactivas. Además, el marco de análisis de SELFNET utiliza una metodología basada en casos de uso, donde el operador es capaz de personalizar los parámetros, las funciones de análisis y las reglas tomadas en cuenta en el proceso de diagnóstico. El resultado del marco de análisis de SELFNET es una solución escalable y simple capaz de satisfacer los requerimientos de las redes 5G.