Sviluppo e valutazione di schemi di elaborazione dei flussi nella Network Data Analytics Function di una rete 5G

Abstract

La transizione verso il 5G e le architetture basate sui servizi (SBA) abilita una gestione flessibile della rete, ma l'approccio reattivo tradizionale causa un sovradimensionamento delle risorse e ritardi nella gestione dei colli di bottiglia. Standardizzata dal 3GPP, la Network Data Analytics Function (NWDAF) fornisce l'intelligenza necessaria per l'automazione proattiva a ciclo chiuso. Questa tesi progetta, valuta e realizza prototipi di schemi pratici di previsione del traffico in tempo reale all'interno del core 5G.

I modelli statistici classici come SARIMA mostrano un elevato costo computazionale in presenza di stagionalità ad alta frequenza (slot di 15 minuti) e non trasferiscono conoscenza tra nodi. Al contrario, l'architettura probabilistica DeepAR consente un apprendimento congiunto su molteplici serie temporali. Valutato sul dataset NetMob2023 — compresso da 2,5 TB a 120 MB e corretto per anomalie, fusi orari e interruzioni di rete —, un singolo modello globale DeepAR si addestra oltre 12 volte più velocemente rispetto a SARIMA multi-istanza, riducendo l'errore medio su 20 città francesi dal 29,16% al 20,83% WMAPE ed eseguendo l'inferenza in decine di millisecondi.

I benchmark zero-shot di apprendimento continuo mostrano che una finestra mobile di 14 giorni offre il bilanciamento ottimale tra adattamento ai trend e stabilità rispetto al rumore. Per provarne la fattibilità pratica, è stato sviluppato in Go un prototipo per NWDAF con Data Collector e Analytics Engine provvisto di safety gate di accuratezza. In un test di live streaming su 20 città, il modello ha ottenuto un WMAPE del 10,30% e un MASE di 0,815, auto-correggendosi dopo shock imprevisti della domanda. I risultati confermano che il deep learning globale con micro-aggiornamenti continui assicura precisione, velocità e resilienza per l'orchestrazione proattiva del 5G.

The transition of mobile networks toward 5G introduces virtualization and service-based architectures to support dynamic, on-demand services. However, managing virtualized resources reactively causes resource over-provisioning and delayed bottleneck resolution. Standardized by 3GPP, the Network Data Analytics Function (NWDAF) provides the intelligence required for proactive closed-loop automation. This thesis designs, evaluates, and prototypes practical real-time traffic forecasting schemes within the 5G core.

Classical statistical models like SARIMA suffer from high computational overhead under high-frequency seasonality (15-minute intervals) and cannot transfer knowledge across network nodes. In contrast, probabilistic deep learning architectures like DeepAR enable joint representation learning across multiple time series. Benchmarked on the NetMob2023 cellular dataset—compressed from 2.5 TB to 120 MB while repairing calendar shifts and network outages—a single global DeepAR model trained over 12 times faster than multi-instance SARIMA, reduced average error across 20 French cities from 29.16% to 20.83% WMAPE, and executed inference in tens of milliseconds.

Furthermore, zero-shot continual learning benchmarks revealed that an optimal 14-day rolling window balances trend adaptation with stability against transient noise. To prove practical viability, a modular prototype comprising a Data Collector and an Analytics Engine with an automated accuracy safety gate was developed in Go. In an emulated live streaming deployment across 20 cities, the model achieved a cumulative 10.30% WMAPE and 0.815 MASE, autonomously self-correcting after unexpected holiday demand shocks. These results demonstrate that global deep learning with lightweight continual updates provides the precision, speed, and resilience needed for proactive 5G orchestration.