Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2018-11-13T11:19:19Z No. of bitstreams: 1 Leandro Andrioli_.pdf: 6621163 bytes, checksum: b4a58154b0441ad094c57bbbea979ac4 (MD5) / Made available in DSpace on 2018-11-13T11:19:20Z (GMT). No. of bitstreams: 1 Leandro Andrioli_.pdf: 6621163 bytes, checksum: b4a58154b0441ad094c57bbbea979ac4 (MD5) Previous issue date: 2018-07-31 / Nenhuma / Até o ano de 2020, espera-se que a área de cobertura das redes de celulares aumente em 10 vezes, com mais de 50 bilhões de dispositivos conectados, suportando 100 vezes mais equipamentos de usuários e elevando a capacidade da taxa de dados em 1000 vezes. Tal circunstância gerará um aumento massivo no tráfego de dados, fomentando o desenvolvimento da 5G e fazendo com que a indústria e as iniciativas científicas passem a voltar seus esforços para atender a essa demanda. Ganha força, então, as pesquisas relacionadas a Cloud Radio Access Networks (C-RANs), uma arquitetura que consolida as base stations (BSs) para um ponto centralizado na nuvem, mudando a ideia de atuar com recursos fixos e limitados, na medida em que se beneficia de uma das características chave da Computação em Nuvem: a elasticidade de recursos. Um dos grandes desafios na arquitetura C-RAN reside na complexidade em orquestrar todos esses recursos computacionais de forma que o processamento das requisições seja realizado com alto desempenho e com o menor custo de infraestrutura possível. Diante de todo esse contexto, a presente dissertação busca desenvolver o modelo Elastic-RAN, propondo um conceito de elasticidade multinível não bloqueante, com orquestração automática de recursos através da coordenação de BBU Pools e seus BBUs, junto a um mecanismo de grão elástico adaptativo. A elasticidade multinível não bloqueante permite controlar o nível de BBU Pool (máquina física), haja vista o alto volume de tráfego e a distância máxima sugerida entre as antenas e os pools, e o nível de BBU (máquina virtual), em razão do alto processamento de CPU e memória necessária para as requisições, de modo a não penalizar os processamentos correntes. O mecanismo de grão elástico adaptativo permite provisionar e mapear os recursos sob demanda e em tempo de execução, considerando o uso corrente dos recursos, para que cada ação elástica seja executada com um grão próximo das necessidades correntes de processamento. O modelo Elastic-RAN foi avaliado por intermédio de experimentos que simularam diferentes perfis de cargas, os quais são executados em uma aplicação intensiva de CPU e de tráfego na rede, explorando a transferência de streamings e processando decodificação de blocos. Como resultados, foi possível constatar que o Elastic-RAN pode atingir ganhos que vão de 4% a 26%, em relação aos custos de execução, quando comparado à abordagem de elasticidade tradicional. Além disso, obteve melhor eficiência para todos os perfis de carga e reduziu em até 55% a quantidade de operações elásticas necessárias. Outrossim, frente a abordagem sem elasticidade, os ganhos de custos foram ainda superiores, ficando entre 51% e 70%. / It is expected that, by 2020, cell phone networks will have been increased 10 times their coverage area, with more than 50 billion connected devices, supporting 100 times more user equipment and increasing data rate capacity by 1000 times. This will lead to a massive increase in data traffic, fostering the development of 5G and making industry and scientific initiatives turn their efforts to meet this demand. In this scenario, Cloud Radio Access Networks (C-RANs) based researches, an architecture that consolidates base stations (BSs) to a cloud-centric point, are gaining momentum, changing the idea of fixed and limited resources, as it benefits from one of the key features of Cloud Computing: resource elasticity. One of the major challenges in C-RAN architecture lies in the high complexity of orchestrating all of these computational resources in order to perform the requests processing with high performance and the lowest possible infrastructure cost. Considering this context, the present dissertation seeks to develop the Elastic-RAN model, proposing a multilevel non-blocking elasticity concept, with automatic orchestration of resources through the coordination of BBU Pools and their BBUs, with an adaptive elastic grain mechanism. The multilevel non-blocking elasticity allows it control the level of BBU Pool (physical machine), given the high volume of traffic and the suggested maximum distance between antennas and pools, and the level of BBU (virtual machine), due to the high CPU processing and memory required for the requests, so as not to penalize the current processing. The adaptive elastic grain mechanism allows the provisioning and mapping of resources on demand and at runtime, considering the current use of resources, so that each elastic action is performed with a grain close to the current processing needs. The Elastic-RAN model was evaluated through experiments that simulated different load profiles, which are executed in an intensive CPU and network traffic application, exploiting the transfer of streamings and processing block decoding. As a result, it was possible to observe that Elastic-RAN may achieve gains ranging from 4 % to 26 %, in relation to execution costs, when compared to the traditional elasticity approach. In addition, it achieved better efficiency for all load profiles and reduced by 55 % the amount of elastic operations required. Also, given the non-elasticity approach, cost gains were even higher, going from 51 % to 70 %.