一个E2E网络切片框架用于使用机器学习创建和部署切片
Sujitha Venkatapathy1, Thiruvenkadam Srinivasan2, Han-Gue Jo3
1TIFAC-CORE in Cyber Security, Amrita School of Engineering, Amrita Vishwa Vidyapeetham, Coimbatore 641112, Tamil Nadu, India.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
这项研究使用机器学习来创建5G的网络切片,优化对mMTC,eMBB和uRLLC等服务的资源配置. 该方法提高了用户访问和资源效率,同时减少了带宽使用.
科学领域:
- 电信工程 电信工程 电信工程
- 计算机科学 计算机科学
- 网络架构 网络架构
背景情况:
- 5G网络需要灵活和动态的功能,可以通过网络切片实现.
- 网络功能虚拟化 (NFV) 和软件定义网络 (SDN) 是网络切片的关键支持者.
- 网络切片允许根据特定要求定制,端到端的孤立服务.
研究的目的:
- 开发一种基于机器学习的方法来构建网络切片.
- 通过使用动态编程,有效地将资源分配给这些新创建的网络切片.
- 优化关键绩效指标 (KPI),如用户访问率和资源效率.
主要方法:
- 构建了一个基板网络,考虑了CPU容量,带宽,延迟,链接容量和安全性等KPI.
- 使用多层感知器 (MLP) 与ADAM优化算法生成网络切片.
- 使用Dijkstra的算法进行了资源分配,以找到最短的路径,最大限度地提高用户访问和资源效率.
主要成果:
- 拟议的模型有效地对不同服务 (mMTC,eMBB,uRLLC) 的网络切片进行分类.
- 最佳的网络切片被分配给所要求的服务.
- 该模型显示了高资源效率和降低总带宽利用率.
结论:
- 开发的方法成功地构建和分配了5G网络中网络切片的资源.
- 机器学习和动态编程的整合导致了高效的资源管理.
- 这种方法为提高5G网络性能和定制提供了一个有希望的解决方案.
