相关实验视频
Updated: Jun 16, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
优化网络带宽切片识别:以NADAM增强的CNN和VAE数据预处理,以提高可解释性
Md Fahim Ul Islam1, Shahriar Hossain1, Md Golam Rabiul Alam1
1Department of Computer Science and Engineering, BRAC University, Dhaka, Bangladesh.
PloS one
|October 21, 2025
概括
未来的通信网络将使用网络切片 (NS) 来满足各种服务质量 (QoS) 需求. 我们的AI系统提高了带宽分配的准确性,优于其他高效网络管理方法.
科学领域:
- 计算机科学 计算机科学
- 电信工程 电信工程 电信工程
- 人工智能的人工智能
背景情况:
- 未来的通信网络依赖网络切片 (NS) 在共享基础设施上创建虚拟网络.
- 满足各种服务质量 (QoS) 要求对于物联网和低延迟通信等应用程序至关重要.
- 智能算法,特别是人工智能和深度学习,对于优化NS资源配置和管理至关重要.
研究的目的:
- 提出一个可解释的网络带宽切片识别 (INBSI) 系统,以实现高效的网络切片.
- 在下一代网络中增强资源配置和动态网络切片管理.
- 通过可解释AI (XAI) 提供对AI在优化网络管理中的作用的见解.
主要方法:
- 开发了一个INBSI系统,使用修改后的卷积神经网络 (CNN) 与Nesterov加速的自适应时刻估计 (NADAM) 优化.
- 采用变量自编码器 (VAE) 进行数据预处理和有效性评估.
- 为了模型的可解释性,利用了莎普利的添加式解释 (SHAP) 和局部可解释的模型不可知解释 (LIME).
主要成果:
- 拟议的INBSI系统在系统环境中实现了84%的峰值准确性.
- 这种表现超过了其他方法,如k-最近的邻居 (76%),随机森林 (69%) 和高斯的天真湾 (55%).
- XAI技术提供了对输入特征对网络切片的影响的见解.
结论:
- 人工智能驱动的解决方案,特别是拟议的INBSI系统,显示出优化网络切片的巨大潜力.
- 该系统为运营商提供了一条改善资源分配和未来网络管理的途径.
- 可解释的AI模型是理解和信任AI在关键网络功能中的关键.
