• QoE
• QoS
• reinforcement learning
• sd-wan

In questo lavoro di tesi viene analizzato l’impatto del Reinforcement Learning in reti SD-WAN. Sempre più aziende hanno bisogno di reti WAN (Wide Area Network) affidabili e ad alte prestazioni per trasmettere dati critici tra le varie sedi e il cloud data-center. L’obiettivo è quindi quello di ottenere un miglioramento in termini QoS, sicurezza, prestazioni, riduzione dei costi.
SD-WAN permette di sfruttare la centralizzazione e la programmabilità della rete. Grazie alle misure in tempo reale (delay, jitter e packet loss…) ottenibili in un sistema SD-WAN è possibile utilizzare tecniche di apprendimento come il Reinforcement Learning.
Il caso di studio di questa tesi è rappresentato da una semplice rete SD-WAN utilizzata per connettere due sedi aziendali attraverso due reti differenti. Dopo la definizione dello scenario e delle tecnologie in gioco sono stati implementati algoritmi di Reinforcement Learning con librerie Python in modo da testare la QoS raggiungibile.

In this thesis work, we analyze the impact of Reinforcement Learning in SD-WAN networks. More and more companies need reliable and high-performance Wide Area Networks (WANs) in order to transmit critical data between their branches and the cloud data center. The goal is to obtain an improvement in terms of QoS, security, performance, and cost reduction.
SD-WAN allows us to take advantage of the centralization and programmability of the network. Thanks to the real-time measurements (delay, jitter, packet loss…) obtainable in an SD-WAN system, it is possible to use learning techniques such as Reinforcement Learning.
The case study of this thesis is represented by a simple SD-WAN network used to connect two company offices through two different networks. After the definition of the scenario and the technologies involved, we implement Reinforcement Learning algorithms with Python libraries to test the reachable QoS.