Power aware resource allocation and virtualization algorithms for 5G core networks

Most of the algorithms that solved the resource allocation problem, used to apply greedy algorithms to select the physical nodes and shortest paths to select the physical edges, without sufficient coordination between selecting the physical nodes and edges. This lack of coordination may degrade the overall acceptance ratios and network performance as whole, in addition, that may include non-necessary physical resources, which will consume more power and computational processing capacities, as well as cause more delays. Therefore, the main objective of this PhD thesis is to develop power aware resource allocation and virtualization algorithms for 5G core networks, which will be achieved through developing a virtualization resource allocation technique to perform virtual nodes and edges allocations in full coordination, and on the least physical resources. The algorithms will be general and solve the resource allocation problem for virtual network embedding and network function virtualization frameworks, while minimizing the total consumed power in the physical network, and consider end-to-end delay and migration as new optional features. This thesis suggested to solve the power aware resource allocation problem through brand new algorithms adopting a new technique called segmentation, which fully coordinates allocating the virtual nodes and edges together, and guarantees to use the very least physical resources to minimize the total power consumption, through consolidating the virtual machines into least number of nodes as much as possible. The proposed algorithms, solves virtual network embedding problem for off-line and on-line scenarios, and solves resource allocations for network function virtualization environment for off-line, on-line, and migration scenarios. The evaluations of the proposed off-line virtual network embedding algorithm, PaCoVNE, showed that it managed to save physical network power consumption by 57% in average, and the on-line algorithm, oPaCoVNE, managed to minimize the average power consumption in the physical network by 24% in average. Regarding allocation times of PaCoVNE and oPaCoVNE, they were in the ranges of 20-40 ms. For network function virtualization environment, the evaluations of the proposed offline NFV power aware algorithm, PaNFV, showed that on average it had lower total costs and lower migration cost by 32% and 65:5% respectively, compared to the state-of-art algorithms, while the on-line algorithm, oPaNFV, managed to allocate the Network Services in average times of 60 ms, and it had very negligible migrations. Nevertheless, this thesis suggests that future enhancements for the proposed algorithms need to be focused around modifying the proposed segmentation technique to solve the resource allocation problem for multiple paths, in addition to consider power aware network slicing, especially for mobile edge computing, and modify the algorithms for application aware resource allocations for very large scale networks. Moreover, future work can modify the segmentation technique and the proposed algorithms, by integrating machine learning techniques for smart traffic and optimal paths prediction, as well as applying machine learning for better energy efficiency, faster load balancing, much accurate resource allocations based on verity of quality of service metrics.La mayoría de los algoritmos que resolvieron el problema de asignación de recursos, se utilizaron para aplicar algoritmos codiciosos para seleccionar los nodos físicos y las rutas más cortas para seleccionar los bordes físicos, sin una coordinación suficiente entre la selección de los nodos físicos y los bordes. Esta falta de coordinación puede degradar los índices de aceptación generales y el rendimiento de la red en su totalidad, además, que puede incluir recursos físicos no necesarios, que consumirán más potencia y capacidades de procesamiento computacional, además de causar más retrasos. Por lo tanto, el objetivo principal de esta tesis doctoral es desarrollar algoritmos de virtualización y asignación de recursos para las redes centrales 5G, que se lograrán mediante el desarrollo de una técnica de asignación de recursos de virtualización para realizar nodos virtuales y asignaciones de bordes en total coordinación, y al menos recursos físicos. Los algoritmos serán generales y resolverán el problema de asignación de recursos para la integración de redes virtuales y los marcos de virtualización de funciones de red, al tiempo que minimizan la potencia total consumida en la red física y consideran el retraso y la migración de extremo a extremo como nuevas características opcionales. Esta tesis sugirió resolver el problema de la asignación de recursos conscientes de la potencia a través de nuevos algoritmos que adoptan una nueva técnica llamada segmentación, que coordina completamente la asignación de los nodos virtuales y los bordes, y garantiza el uso de los recursos físicos mínimos para minimizar el consumo total de energía, a través de consolidar las máquinas virtuales en el menor número de nodos tanto como sea posible. Los algoritmos propuestos solucionan el problema de integración de la red virtual para los escenarios sin conexión y en línea, y resuelve las asignaciones de recursos para el entorno de virtualización de la función de red para los escenarios sin conexión, en línea y de migración. Las evaluaciones del algoritmo de integración de red virtual sin conexión propuesto, PaCoVNE, mostraron que logró ahorrar el consumo de energía de la red física en un 57% en promedio, y el algoritmo en línea, oPaCoVNE, logró minimizar el consumo de energía promedio en la red física en un 24% en promedio. Con respecto a los tiempos de asignación de PaCoVNE y oPaCoVNE, estuvieron en los rangos de 20-40 ms. Para el entorno de virtualización de la función de red, las evaluaciones del algoritmo consciente de la potencia NFV sin conexión propuesto, PaNFV, mostraron que, en promedio, tenía menores costos totales y menores costos de migración en un 32% y 65: 5% respectivamente, en comparación con el estado de la técnica. Los algoritmos, mientras que el algoritmo en línea, oPaNFV, logró asignar los Servicios de Red en tiempos promedio de 60 ms, y tuvo migraciones muy insignificantes. Sin embargo, esta tesis sugiere que las futuras mejoras para los algoritmos propuestos deben centrarse en modificar la técnica de segmentación propuesta para resolver el problema de asignación de recursos para múltiples rutas, además de considerar el corte de la red que requiere energía, especialmente para la computación de borde móvil, y modificar el Algoritmos para asignaciones de recursos conscientes de la aplicación para redes de gran escala. Además, el trabajo futuro puede modificar la técnica de segmentación y los algoritmos propuestos, mediante la integración de técnicas de aprendizaje automático para el tráfico inteligente y la predicción de rutas óptimas, así como la aplicación del aprendizaje automático para una mejor eficiencia energética, un equilibrio de carga más rápido, asignaciones de recursos mucho más precisas basadas en la veracidad de Métricas de calidad de servicio