Inovasi Penguatan Network Slicing, Efisiensi dan Skalabilitas DRL

Inovasi Penguatan Network Slicing: Efisiensi dan Skalabilitas DRL

Kemajuan teknologi 5G dan Industrial Internet tidak dapat dipisahkan dari perkembangan jaringan yang semakin kompleks. Sejak diperkenalkan oleh General Electric pada tahun 2012, Industrial Internet telah merevolusi bagaimana industri manufaktur dan layanan beroperasi dengan memadukan teknologi komunikasi, informasi, dan operasi. Namun, meskipun menawarkan potensi besar, implementasi Industrial Internet dihadapkan pada tantangan signifikan terkait heterogenitas jaringan dan kebutuhan aplikasi yang sangat beragam. 

Menurut Tan, Wang, dan Liu (2023), salah satu solusi yang menonjol adalah penerapan network slicing, sebuah teknologi yang memungkinkan pemisahan jaringan fisik menjadi beberapa jaringan logis yang masing-masing dapat dioptimalkan sesuai kebutuhan. Teknologi ini diperkenalkan dalam konteks 5G untuk memenuhi beragam permintaan kualitas layanan (Quality of Service/QoS) di berbagai skenario industri.

Namun, permasalahan utama yang dihadapi adalah kompleksitas topologi yang dihasilkan oleh interaksi antar Network Functions (NFs) yang membentuk slicing tersebut. Para peneliti di berbagai negara, termasuk di China, telah berusaha menemukan solusi yang tepat untuk menjawab tantangan ini. Tan et al. (2023) mencatat bahwa saat ini masih ada kekurangan penelitian yang fokus pada penguatan network slicing dalam konteks Industrial Internet. 

Maka dari itu, penelitian mereka menjadi penting karena mengusulkan kombinasi algoritma deep reinforcement learning (DRL) dan graph neural network (GNN) yang diklaim mampu menyelesaikan permasalahan ini dengan lebih efektif. Pendekatan mereka bertujuan untuk memilih subset NFs paling bernilai dengan biaya minimal untuk memperkuat network slicing, dengan hasil yang menjanjikan berdasarkan simulasi yang mereka lakukan.

Pendekatan deep reinforcement learning (DRL) yang diusulkan oleh Tan, Wang, dan Liu (2023) dalam memperkuat network slicing untuk Industrial Internet adalah terobosan signifikan dalam menghadapi tantangan kompleksitas jaringan. Dalam artikel mereka, para peneliti menunjukkan bagaimana kombinasi algoritma DRL dengan graph neural network (GNN) mampu menghasilkan solusi yang lebih efisien dibandingkan metode tradisional. 

Mereka menekankan bahwa masalah utama dalam penguatan network slicing adalah menemukan Network Functions (NFs) paling penting untuk diperkuat, tanpa meningkatkan biaya secara signifikan. Dalam hal ini, DRL mampu membuat keputusan yang lebih baik dengan mempertimbangkan banyak variabel secara bersamaan, sementara GNN digunakan untuk memahami dan memodelkan interaksi antar NFs yang kompleks.

Menurut hasil simulasi yang disajikan dalam artikel, metode mereka berhasil mengungguli metode konvensional dalam hal efisiensi biaya dan kecepatan. Pada topologi jaringan Industrial Internet dengan ukuran besar, metode ini hanya membutuhkan biaya penguatan yang minimal untuk mencapai utilitas penguatan sebesar 50%. Sebagai perbandingan, metode sentralitas topologi seperti High Degree Adaptive (HDA) atau High Betweenness Adaptive (HBA) memerlukan lebih banyak sumber daya untuk mencapai hasil yang serupa. Dengan menggunakan model Barabasi-Albert (BA) untuk menguji topologi slice, mereka menemukan bahwa metode ini mampu menghasilkan peningkatan utilitas hingga 0,5 dengan biaya jauh lebih rendah, yaitu rata-rata hanya 10-15% dari biaya yang dibutuhkan metode konvensional.

Keunggulan lain dari pendekatan ini adalah skalabilitasnya. Artikel ini menunjukkan bahwa metode yang diusulkan dapat diterapkan pada berbagai jenis topologi jaringan, baik yang menggunakan model Erdos-Renyi (ER) maupun PowerLaw-Cluster (PLC). Ini penting karena Industrial Internet tidak terbatas pada satu jenis jaringan saja. Dengan metode ini, perusahaan industri dapat mengurangi biaya tanpa mengorbankan reliabilitas jaringan mereka. Dengan adanya kemampuan generalisasi yang baik, model ini dapat diaplikasikan pada topologi slice industri berskala besar, yang biasanya melibatkan ratusan hingga ribuan NFs. Dalam skenario uji coba pada jaringan besar yang melibatkan 488 nodes, utilitas yang dihasilkan tetap optimal dengan biaya yang jauh lebih rendah dibandingkan metode lainnya.

Penerapan deep reinforcement learning (DRL) dalam memperkuat network slicing pada Industrial Internet seperti yang diusulkan oleh Tan, Wang, dan Liu (2023) membuka peluang baru dalam pengelolaan jaringan industri yang lebih efisien dan reliabel. Dengan pendekatan ini, tidak hanya biaya penguatan yang dapat ditekan, tetapi juga fleksibilitas dalam menghadapi berbagai jenis topologi jaringan dapat ditingkatkan. Hasil simulasi yang menunjukkan peningkatan efisiensi hingga 50% dengan pengurangan biaya hingga 15% dari metode konvensional, merupakan bukti kuat akan efektivitas metode ini dalam skala besar.

Namun, tantangan tetap ada, terutama dalam hal implementasi pada jaringan nyata yang lebih dinamis dan kompleks. Ke depan, penelitian ini dapat diperluas dengan memperhatikan aspek ketergantungan antar Network Functions (NFs) serta interaksi antar slice yang dapat memperkaya model lebih jauh. Dengan terus berkembangnya teknologi 5G dan kehadiran teknologi 6G di masa depan, metode ini memiliki potensi besar untuk diadopsi lebih luas dalam berbagai industri, dari manufaktur hingga otomasi pintar, serta aplikasi Internet of Things (IoT) lainnya.

REFERENSI

Tan, Y., Wang, J., & Liu, J. (2023). Strengthening network slicing for Industrial Internet with deep reinforcement learning. Digital Communications and Networks, 10(2024), 863-872. https://doi.org/10.1016/j.dcan.2023.06.009