积分商城

最新搜索： 软件评估 stm8s HFBR-0310Z光纤发射和接收电路 Allegro封装库 51单片机 AP6236
您现在的位置是：首页 > 技术资料 > 基于增强学习的5G网络切片资源动态优化方案
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于增强学习的5G网络切片资源动态优化方案

更新时间：2019-12-07 21:49:28 大小：1M 上传用户：xiaohei1810查看TA发布的资源 标签：5g 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

提出了一种基于增强学习的网络切片资源动态优化方案.使用该方案动态调整网络切片资源时,通过考虑未来网络切片中的业务流量变化情况,对业务流量进行预测,从而推断出未来网络资源的划分情况;再通过增强学习算法,使得未来时刻的网络资源划分状态对当前划分策略做出影响,从而得到当前的最佳策略.基于该算法,可以保证在资源分配过程中对网络需求变化做出快速响应,并通过仿真进行了验证.

部分文件列表

文件名 大小
基于增强学习的5G网络切片资源动态优化方案.pdf 1M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
ZTE TECHNOLOGY JOURNAL  
基于增强学习的 5G 网络切片资源动态优化方案  
任语铮 等  
专题  
DOI: 10.3969/j.issn.1009-6868.2018.01.007  
网络出版地址：http://kns.cnki.net/kcms/detail/34.1228.TN.20180119.1655.002.html  
基于增强学习的 5G 网络切片资源动态  
优化方案  
Dynamic Resources Optimization for 5G Network Slicing Based on Reinforcement Learning  
中图分类号：TN929.5 文献标志码：A 文章编号：1009-6868 (2018) 01-0031-006  
任语铮/REN Yuzheng  
摘要：  
提出了一种基于增强学习的网络切片资源动态优化方案。使用该方案动态  
谢人超/XIE Renchao  
黄韬/HUANG Tao  
（北京邮电大学，北京 100876）  
(Beijing University of Posts and  
调整网络切片资源时，通过考虑未来网络切片中的业务流量变化情况，对业务流量  
进行预测，从而推断出未来网络资源的划分情况；再通过增强学习算法，使得未来  
时刻的网络资源划分状态对当前划分策略做出影响，从而得到当前的最佳策略。基  
于该算法，可以保证在资源分配过程中对网络需求变化做出快速响应，并通过仿真  
进行了验证。  
Telecommunications, Beijing 100876, China)  
关键词： 5G；网络切片；增强学习；动态优化  
Abstract: |n this paper, a dynamic optimization aꢀgorithm based on reinforcement  
ꢀearning for network sꢀicing division is proposed. Network resources can be  
dynamicaꢀꢀy aꢀꢀocated in the foꢀꢀowing ways: the traffic fꢀow can be predicted by  
considering the changes of fꢀow, then the division of future network resources can  
be deduced; based on reinforcement ꢀearning aꢀgorithm, the current partition strategy  
wiꢀꢀ be affected by the state of network resource partitioning in the future, and the  
best division strategy can be got. Based on this aꢀgorithm, the change of network  
requirements can be rapidꢀy responded in the process of resource aꢀꢀocation, and  
verified by simuꢀation.  
1 5G 网络架构与网络切片  
的概念  
了能对各业务提供独立的网络  
为
服务而又不铺设专用网络 ，5G  
网络引入了网络切片技术[1-2] ，即使用  
软件网络定义（SDN）/网络功能虚拟  
化（NFV）技术，将物理基础设施资源  
虚拟化为多个相互独立的平行的网  
络切片，每个网络切片服务于某一具  
体的业务场景，以满足不同业务场景  
对带宽、时延、服务质量等差异化要  
求，从而满足各种垂直行业多样化需  
求，以增强网络弹性和自适应性。网  
络切片技术提升了网络资源利用率，  
节省了运营商的花费。  
5G; network sꢀicing; reinforcement ꢀearning; dynamic optimization  
Keywords:  
变化进行动态调整。首先，由于部分  
用户在不断移动，且用户需求往往会  
随着时间的改变发生改变，所以网络  
中各业务流量也是动态变化的 。此  
外，第三方服务提供商可能会开发不  
同 的 网 络 业 务 ，形 成 不 同 的 应 用 需  
求，从而要求一个不同的网络切片实  
例。这都导致了网络切片的划分要  
随需求的改变发生变动 。在基于切  
片的网络架构中，切片划分的优劣程  
度直接影响了网络性能，所以如何对  
切片资源进行动态优化至关重要。  
针对网络切片资源的动态优化，  
有学者提出了一种基于比例公平算  
法的半静态资源分配方案 。该方案  
使各网络切片之间能实现更公平地  
资源分配[4] 。然而该算法更着眼于公  
平性而不是性能，所以其资源利用率  
还有提升空间。还有学者认为可以  
通过对流量进行统计分析，从而得到  
全网的流量分布特征，再根据流量分  
布预先构造好基本切片 。之后通过  
分析实时流量的负载和需求构造切  
片 ，并 将 构 造 结 果 通 过 OpenFlow 协  
议下发到交换节点上[5] 。  
下 一 代 移 动 通 信 网（NGMN）5G  
白 皮 书 中 的 网 络 切 片 如 图 1[3] 所 示 。  
目 前 NGMN 对 不 同 的 应 用 场 景 进 行  
了划分，并为每个应用场景设计了相  
应的网络切片，总共定义了 8 个系列，  
覆盖了现今业务的大部分场景[3] 。  
然 而 网 络 切 片 资 源 的 划 分 并 非  
是一成不变的，而应随各业务流量的  
然而，以上的切片划分算法都是  
依据当前时刻流量进行优化，而未考  
虑未来网络流量变化的影响 。事实  
上，在动态优化网络切片资源时需要  
将未来网络流量的情况一并考虑进  
收稿日期：2017-12-12  
网络出版日期：2018-01-19  
2018 年 2 月 第 24 卷第 1 期 Feb. 2018 Vol.24 No. 1  
中兴通讯技术  
31  
万方数据  
ZTE TECHNOLOGY JOURNAL  
任语铮 等  
基于增强学习的 5G 网络切片资源动态优化方案  
专题  
控制面/  
用户面  
控制面  
无线  
接入  
技术 1  
控制面/  
用户面  
无线接入  
用户面  
技术 2  
用户面  
智能手机  
控制面/  
用户面  
无线  
接入  
技术 1  
无线接入  
技术 2  
控制面/ 垂直  
用户面 热点  
车联网  
控制面  
无线接入  
技术 3  
无线接入  
技术 1  
用户面  
大规模物联多设备  
••••••  
接入节点  
云节点（边缘&中心）  
网络节点  
切片部分  
▲图 1 网络切片逻辑架构  
S00  
r00  
S10  
，状 态  
来，因为如果在决策时考虑了未来网  
络的流量变化，则相当于在切片划分  
策略中引入了预测功能 。使得划分  
结果可以更快地对未来网络的需求  
变化作出响应。  
一组行为。RL 累积效用的计算方式  
并不取决于过去的行为，而取决于未  
来的状态，也就是说未来所处的状态  
会影响到当前的状态选择 。通过增  
强学习，一个智能体可以知道在某个  
特定状态下应该采取什么行动。  
RL 的 思 想 很 像 马 尔 可 夫 过 程  
状 态  
的 效 用 函 数 是  
r
的效用函数是  
。
10  
增 强 学 习 通 过 定 义 和 最 优 化 值  
函数来得到最优策略，最常见的值函  
数形式如式（1）：  
为了解决这一问题，我们提出了  
一种基于增强学习的动态优化网络  
切片资源方案。  
r20  
S00  
P
（MDP）。它定义了四元组{S，A，  
，
sa  
r10  
R}。其中，S 是智能体当前所处的状  
r21  
S00  
2 基于增强学习的网络  
切片动态优化方案  
P
态，A 是智能体采取的行为， 是智  
sa  
a00  
S00  
能体在状态 S 下做出动作 A 之后转移  
到其它状态的概率分布，R 是每个状  
态 的 效 用 函 数 。 此 外 ，RL 还 定 义 了  
状态到行为的映射，π:S → A ，被称为  
策略。  
r00  
r11  
a01  
S00  
S00  
……  
2.1 增强学习  
r12  
增强学习（RL）是近些年机器学  
习 和 智 能 控 制 领 域 的 主 要 方 法 之  
一 。 RL 通 过 使 累 积 效 用 最 大 化 ，从  
而确定智能体在环境中应该采取的  
a02  
S00  
S
a
在 动作  
如 图 2 所示 ，状态  
00  
00  
S
下，以一定的转移概率转移到了  
，
▲图 2 马尔可夫过程  
10  
2018 年 2 月 第 24 卷第 1 期 Feb. 2018 Vol.24 No. 1  
中兴通讯技术  
32  
万方数据  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号