Deep Reinforcement Learning para la gestión de Redes Definidas por Software en arquitecturas Edge Computing para el Internet de las Cosas

Abstract

[ES] El paradigma del Internet de las Cosas (IoT) permite la interconexión de millones de dispositivos sensores que recogen información y la envían a la nube, donde los datos se almacenan y procesan para realizar análisis y predicciones e inferir nuevo conocimiento. Los proveedores de servicios Cloud cobran por sus servicios a sus usuarios en base a los recursos de computación y almacenamiento utilizados en la nube. En este sentido, la Computación en el Borde o Edge Computing puede ser utilizada para reducir estos costes. Además, existe una tendencia creciente a compartir los recursos y los costes de las redes físicas mediante las arquitecturas de Virtualización de Funciones de Red (NFV). Por otra parte, las Redes Definidas por Software (SDN) permiten la reconfiguración de las redes de datos, incluyendo las redes IoT, de forma dinámica según las necesidades durante el tiempo. Para ello, pueden emplearse mecanismos de aprendizaje automático, como las técnicas de Aprendizaje por Refuerzo Profundo, para gestionar los flujos de datos virtuales en las redes. En esta Tesis Doctoral se propone la evolución de una arquitectura Edge-IoT existente a una nueva versión mejorada en la que se utilizan SDN/NFV sobre las capacidades de Edge-IoT previamente existentes. La nueva arquitectura propuesta contempla el uso de técnicas de aprendizaje por refuerzo profundo para la implementación del controlador de la SDN.