Perpustakaan Digital ITB

Perkembangan jaringan generasi kelima (5G) memungkinkan penerapan network slicing, yaitu mekanisme pembagian sumber daya jaringan menjadi beberapa slice virtual yang dapat melayani kebutuhan layanan yang berbeda pada infrastruktur yang sama. Melalui konsep ini, layanan enhanced Mobile Broadband (eMBB), Ultra-Reliable Low-Latency Communications (URLLC), dan massive Machine-Type Communications (mMTC) dapat berjalan secara bersamaan dengan kebutuhan Quality of Service (QoS) yang berbeda-beda. Namun, perbedaan karakteristik setiap layanan menyebabkan pengelolaan sumber daya jaringan menjadi semakin kompleks, terutama dalam menentukan apakah suatu permintaan slice dapat diterima tanpa mengganggu kualitas layanan yang sedang berjalan. Penelitian ini mengusulkan mekanisme QoS-aware admission control berbasis Deep Reinforcement Learning untuk mendukung pengambilan keputusan pada lingkungan network slicing 5G. Sebelum proses admission control dilakukan, parameter QoS seperti delay dan jitter diprediksi menggunakan algoritma XGBoost berdasarkan karakteristik trafik dan kondisi jaringan. Hasil prediksi tersebut kemudian digunakan sebagai bagian dari state pada agen Deep Q-Network (DQN) untuk membantu menentukan keputusan menerima atau menolak permintaan slice secara adaptif sesuai kondisi jaringan yang tersedia. Penelitian dilakukan menggunakan dataset simulasi jaringan 5G yang mencakup berbagai jenis layanan, pola trafik, dan kondisi topologi jaringan. Kinerja metode yang diusulkan akan dievaluasi berdasarkan beberapa metrik, antara lain Acceptance Ratio, QoS violation, resource utilization, dan business revenue. Melalui pendekatan ini diharapkan sistem mampu meningkatkan efisiensi pemanfaatan sumber daya jaringan sekaligus menjaga pemenuhan kebutuhan QoS pada berbagai jenis layanan yang berjalan secara bersamaan dalam lingkungan network slicing.