O serviço Network Slice Selection Function (NSSF) em ambientes de tecnologia heterogêneos é um problema complexo, que ainda não tem uma solução totalmente aceitável. Assim, a implementação de novas estratégias de seleção de slices representa uma questão importante em desenvolvimento, principalmente devido à crescente demanda em aplicações e cenários envolvendo redes 5G e futuras. Este trabalho apresenta uma solução integrada para o problema NSSF, denominado Network Slice Selection Function Decision- Aid Framework (NSSF DAF), que consiste em uma solução distribuída, onde uma parte é executada no equipamento do usuário (e.g. smartphones, VANTs, Brokers IoT), funcionando como um serviço transparente e outra à borda da operadora ou do provedor de serviços. Para tanto, protocolos e ferramentas de software são usados para classificar os slices. Neste trabalho, 14 métodos multicritérios são empregados para auxiliar na tomada de decisão, sendo eles: ARAS, COCOSO, CODAS, COPRAS, EDAS, MABAC, MAIRCA, MARCOS, MOORA, OCRA, PROMETHEE II, SPOTIS, TOPSIS e VIKOR. O objetivo geral consiste em verificar a semelhança entre esses métodos e aplicações no processo de classificação e seleção de slices, considerando um cenário específico. Para realizar a seleção é utilizado aprendizado de máquina por meio do algoritmo de agrupamento K-means, adotando uma solução híbrida para a implementação e operação do serviço NSSF em ambientes de slices multi-domínio em redes móveis heterogêneas. Testes de bancada foram conduzidos visando validar a abordagem proposta, mapeando e correlacionando os requisitos dos serviços com os slices disponíveis. Os resultados indicam uma possibilidade real de oferecer uma solução completa para o problema NSSF que pode ser implementada na borda ou no núcleo da rede, ou mesmo na própria Estação Rádio Base 5G, sem custo computacional incremental ao equipamento do usuário final, garantindo a qualidade de experiência adequada ao consumo dos seus serviços.

The Network Slice Selection Function (NSSF) in heterogeneous technology environments is a complex problem, which still does not have a fully acceptable solution. Thus, the implementation of new network selection strategies represents an important issue in development, mainly due to the growing demand for applications and scenarios involving 5G and future networks. This work then presents an integrated solution for the NSSF problem, called Network Slice Selection Function Decision-Aid Framework (NSSF DAF), which consists of a distributed solution in which a part is executed on the users equipment (e.g. smartphones, Unmanned Aerial Vehicles, IoT brokers), functioning as a transparent service, and another at the Edge of the operator or service provider. It requires low consumption of computing resources from mobile devices and offers complete independence from the network operator. For this purpose, protocols and software tools are used to classify slices. This work employs fourteen multicriteria methods to aid decision-making: ARAS, COCOSO, CODAS, COPRAS, EDAS, MABAC, MAIRCA, MARCOS, MOORA, OCRA, PROMETHEE II, SPOTIS, TOPSIS and VIKOR. The general objective is to verify the similarity among these methods and applications in the slice classification and selection process, considering a specific scenario, towards the framework. It also uses machine learning through the K-means clustering algorithm, adopting a hybrid solution to implement and operate the NSSF service in multi-domain slicing environments of heterogeneous mobile networks. Testbeds were conducted to validate the proposed framework, mapping the adequate quality of service requirements. The results indicate a real possibility of offering a complete solution to the NSSF problem that can be implemented in Edge, in Core, or even in 5G Radio Base Station itself, without the incremental computational cost of the end users equipment, allowing the adequate quality of experience.