Serviços de transporte inteligentes para as redes móveis futuras B5G/6G

Resumo

As futuras redes 6G são esperadas para 2030, quando as redes 5G dificilmente acomodarão um enorme tráfego de milhares de exabytes/mês e dezenas de bilhões de assinaturas móveis. Comunicações Holográficas, Realidade Estendida, Internet Tátil, Controle Remoto para cirurgias e operações industriais são exemplos de aplicações futuras que demandarão desempenho de fim-a-fim superior ao que o 5G pode oferecer, ou seja, vazão acima de 100 Gbps e atraso abaixo de 1 ms. Para isso, os esforços de pesquisa têm se concentrado em habilitar canais de alta frequência a partir de ondas milimétricas e terahertz. No entanto, mais erros de bits, flutuações de qualidade frequentes e alta perda de pacotes são eventos esperados em frequências tão altas. Enquanto o desempenho de fim-a-fim depende da eficiência de protocolos de transporte, os algoritmos de transporte existentes conduzem tomadas de decisão baseadas em regras, o que os leva a reagir de forma ineficiente aos enlaces B5G/6G de alta frequência, por consequência sub-utilização de recursos de rede e, portanto, desempenho fim-a-fim insatisfatório. Neste projeto, exploraremos a propriedade de multi-conectividade de protocolos de transporte de Estado da Arte, como QUIC e MPQUIC. Especificamente, os serviços de transporte mais modernos, como multi-stream e multi-path. Para possibilitar um desempenho fim-a-fim eficiente nas redes futuras, investigaremos como aplicar aprendizado online com técnicas de aprendizado de máquina centralizado e distribuído para evoluir esses serviços de transporte. Em vez de reagir a eventos de rede com abordagens imprecisas baseadas em regras, esperamos encontrar abordagens mais inteligente para tomar decisões de transporte precisas, proativas e eficientes. Este projeto dá continuidade aos esforços de pesquisa que iniciamos no projeto anterior da FAPESP #2015/18808-0. (AU)