Avaliação de estratégias de balanceamento de carga em redes 5G com o uso do EdgeLB: uma abordagem de computação de borda

Abstract

A tecnologia 5G representa uma mudança transformadora nas telecomunicações, oferecendo maior velocidade, confiabilidade e latência ultrabaixa. Esta dissertação aborda o desafio do balanceamento de carga em redes 5G, especialmente em arquiteturas de Computação em Borda de Acesso Múltiplo (MEC), avaliando estratégias que garantem a Qualidade de Serviço (QoS) e atendem aos rigorosos requisitos de Comunicação Ultraconfiável e de Baixa Latência (URLLC). Utilizando o Free5GC para emular o núcleo da rede 5G e o UERANSIM para simular o comportamento dos Equipamentos de Usuário (UE) e da RAN, o framework proposto, chamado EdgeLB, integra o balanceador de carga LoxiLB para avaliar algoritmos como Round Robin (RR), Weighted Round Robin (WRR), baseado em hash e Menor Número de Conexões (LC). Por meio de experimentos utilizando a ferramenta Netperf, foi avaliado o desempenho sob diferentes quantidades de conexões simultâneas e UEs, além de atrasos de rede que simulam distâncias geográficas. Os resultados demonstram que a distribuição inteligente do tráfego melhora significativamente o desempenho e a escalabilidade da rede. Todos os algoritmos mantiveram latência abaixo de um milissegundo em cenários URLLC, e alguns apresentaram ótimo controle de jitter e vazão (throughput). Adicionalmente, foram obtidos modelos de regressão polinomial para estimar a degradação de desempenho em cenários de escalabilidade. Os resultados derivados dessas análises validam a arquitetura EdgeLB como uma solução viável para aplicações sensíveis à latência, como inferência de IA e serviços em ambientes MEC na rede 5G.

Abstract: The 5G technology represents a transformative shift in telecommunications, offering enhanced speed, reliability, and ultralow latency. This paper addresses the challenge of load balancing in 5G networks, especially within Multi-access Edge Computing MEC architectures, by evaluating strategies that ensure Quality of Service QoS and meet the stringent Ultra-Reliable Low Latency Communication URLLC requirements. Using Free5GC to emulate 5G Core and UERANSIM to simulate User Equipment UE and RAN behavior, the proposed EdgeLB framework integrates the LoxiLB load balancer to evaluate algorithms such as Round Robin RR, Weighted Round Robin WRR, Hash-based, and Least Connections LC. Through Netperf-based experiments, we assessed performance under varying numbers of concurrent connections and UEs, as well as network delays that emulate geographic distance. The results demonstrate that intelligent traffic distribution significantly improves network performance and scalability. All algorithms maintained submillisecond latency in URLLC scenarios, and some exhibited strong jitter and throughput control. Furthermore, polynomial regression models were derived to approximate the degradation of performance under scaling conditions. These findings validate the EdgeLB architecture as a viable solution for latency-sensitive MEC and AI inference applications in 5G environments.