A benchmarking framework for PON-based fronthaul network design

Resumo Técnico: Um Framework de Benchmarking para o Design de Redes de Fronthaul Baseadas em PON

Definição do Problema
À medida que as redes móveis evoluem para arquiteturas de Radio Access Network (RAN) de 5G e 6G, as Redes Ópticas Passivas (PONs) emergiram como uma solução crítica e de custo-benefício atraente para o transporte de fronthaul. No entanto, a literatura atual carece de modelos de avaliação padronizados, tornando difíceis as comparações objetivas entre diversas estratégias de otimização. Os estudos existentes frequentemente dependem de estudos de caso isolados com premissas de entrada desalinhadas em relação a parâmetros de custo, divisões funcionais (functional splits) e modelos de tráfego. Essa variabilidade impede comparações de desempenho justas e obscurece a verdadeira eficácia de designs algorítmicos específicos. Além disso, embora métodos de otimização exata como a Programação Linear Inteira (ILP) sejam computacionalmente caros para instâncias de grande escala, eles raramente são utilizados como um baseline em estudos de planejamento de fronthaul, deixando uma lacuna na definição de limites de otimalidade.

Metodologia
Para abordar essas lacunas, os autores propõem um framework de benchmarking unificado projetado para padronizar catálogos de custos e cenários de implantação. O núcleo da metodologia envolve:

1. Design do Framework Padronizado:

   • Arquitetura: O framework modela um fronthaul baseado em PON genérico que conecta Unidades Remotas (RUs) a pools de Unidades Distribuídas (DUs) via sites intermediários de splitters ópticos. Ele abstrai tipos de nós (DU, Splitter, RU) para permanecer agnóstico à tecnologia, enquanto captura os principais drivers de custo, como abertura de valas (trenching) e fibra.
   • Modelo de Custo: É adotado um catálogo de custos unificado baseado em médias amplas da indústria, cobrindo despesas de capital (abertura de valas, fibra, equipamentos, instalação) e despesas operacionais (manutenção, aluguel de site, energia).
   • Restrições: O modelo impõe restrições físicas rigorosas, incluindo orçamentos de latência de ida (one-way) de fronthaul, distâncias máximas entre DU e RU, orçamentos de potência óptica (atenuação e perda de inserção) e limites de capacidade de DU.
   • Cenários: Quatro cenários distintos de avaliação são definidos com base nos frameworks de uso da IMT-2030: Conectividade Ubíqua, Comunicação de Altíssima Confiabilidade e Baixa Latência, Comunicação Imersiva e Comunicação Massiva. Estes variam em densidade de usuários, composição de tráfego e restrições físicas.

2. Abordagens de Otimização:
   O estudo formula o problema de design de rede como uma tarefa de minimização de custo (Custo Total de Propriedade - TCO) e avalia quatro abordagens distintas:

   • Programação Linear Inteira (ILP): Uma formulação exata resolvida com um limite de tempo (3600 segundos) para estabelecer limites de otimalidade e fornecer soluções incumbentes de alta qualidade, mesmo que a otimalidade global não seja alcançada.
   • Algoritmo Genético (GA): Uma estratégia evolutiva meta-heurística usada como um baseline de propósito geral.
   • K-Means Clustering Melhorado (KMC+): Um método de agrupamento geométrico que determina adaptativamente o número de clusters para satisfazer as restrições físicas, priorizando a proximidade geográfica.
   • Atribuição de Splitter por Sucessão Aleatória Melhorada (RSSA+): Uma heurística construtiva baseada em grafos que atribui RUs a DUs e splitters em ordem aleatória, utilizando ponderação dinâmica para equilibrar segmentos de custo (DU, splitter, conexão) enquanto impõe a viabilidade em cada etapa.

Principais Contribuições

• Framework de Benchmarking Unificado: O artigo introduz o primeiro framework padronizado para o design de fronthaul baseado em PON, utilizando um catálogo de custos fixo e modelos tecnoeconômicos normalizados para permitir comparações reproduzíveis entre diferentes métodos de otimização.
• Avaliação Algorítmica: Fornece uma comparação quantitativa rigorosa de uma formulação ILP exata contra três heurísticas escaláveis (GA, KMC+, RSSA+) através de diversos cenários de rede.
• Heurísticas Refinadas: O estudo estende o trabalho anterior ao introduzir o KMC+ (com determinação de cluster fundamentada) e o RSSA+ (incorporando heterogeneidade de custo e tratamento de restrições rigorosas).
• Validação de Baseline: Valida a utilidade da ILP com tempo limitado como um ponto de referência forte, demonstrando que mesmo soluções de ILP subótimas frequentemente superam heurísticas padrão.

Resultos
Simulações em 25 topologias geradas independentemente para quatro cenários produzem várias descobertas principais:

• Desempenho da ILP: Apesar de nem sempre atingir a otimalidade global dentro do limite de tempo, a ILP com tempo limitado produz consistentemente soluções superiores às geradas por métodos heurísticos padrão. Ela serve como um baseline robusto e informativo, fornecendo limites inferiores significativos sobre os custos alcançáveis.
• Comparação de Heurísticas:
  • RSSA+: Entre as abordagens escaláveis, o RSSA+ atinge confiavelmente um desempenho próximo ao da ILP, garantindo a viabilidade em todos os cenários avaliados. Sua natureza construtiva e consciente das restrições permite lidar efetivamente com saturação de capacidade e requisitos heterogêneos.
  • KMC+: Embora o KMC+ acompanhe o desempenho da ILP em implantações densas onde o agrupamento espacial auxilia o compartilhamento de infraestrutura, ele apresenta dificuldades de viabilidade em cenários com restrições estritas de latência ou capacidade (ex: Cenários 2 e 3 com alto número de RUs), falhando frequentemente em produzir soluções válidas.
  • GA: O Algoritmo Genético geralmente incorre em custos mais altos e performa mal em comparação com abordagens estruturadas, pois a busca evolutiva tem dificuldade em manter a viabilidade sob restrições físicas estritas (latência, potência, capacidade).
• Trade-offs: Os resultados destacam claros trade-offs entre disponibilidade de DU, custos relacionados a sites e compartilhamento de infraestrutura. Métodos de agrupamento fixos (como o KMC+) não conseguem capturar essas nuances tão efetivamente quanto métodos construtivos (como o RSSA+) ou formulações exatas.
• Tempo de Execução vs. Otimalidade: Aumentar o tempo de execução da ILP de 1 hora para 2 horas gera retornos decrescentes, com melhorias no custo total médio de menos de 0,35% entre os cenários, sugerindo que o orçamento de 3600 segundos é suficiente para fins de benchmarking.

Significância
O artigo afirma que sua principal significância reside em permitir comparações transparentes e reproduzíveis de arquiteturas de fronthaul PON para 5G e além. Ao padronizar o ambiente de avaliação, o framework garante que as diferenças de desempenho sejam atribuíveis ao design algorítmico e não a premissas desalinhadas. As descobertas ressaltam a necessidade de designs algorítmicos avançados e conscientes de restrições (como o RSSA+) em vez de heurísticas simples para o planejamento prático de fronthaul. Além disso, o estudo desafia a noção predominante de que métodos ILP exatos são excessivamente caros computacionalmente para serem úteis, demonstrando que a ILP com tempo limitado continua sendo uma ferramenta valiosa para estabelecer baselines de desempenho no design de redes.