5G-ICN : Delivering ICN Services over 5G using Network Slicing
从应用和架构的角度来看，5G的挑战性要求促使人们需要探索通过新的网络架构提供服务的可行性。由于5G提出了以应用为中心的网络切片，可以使用可在可编程计算，存储和传输基础设施上实现的新数据平面，因此我们将以信息为中心的网络（ICN）视为实现5G目标的候选网络架构。这可以与今天提供的端到端IP服务共存。为此，我们首先提出了一种5G-ICN架构，并比较了其优点（即，通过利用ICN特征提供的创新服务）到当前基于3GPP的移动架构。然后，我们介绍了一个通用的应用程序驱动的框架，强调了网络功能虚拟化（NFV）和软件定义网络（SDN）提供的灵活性，通过它可以实现5G-ICN。我们特别关注如何将移动性即服务（MaaS）实现为5G-ICN切片的问题，并深入概述了资源配置以及功能5G-ICN切片之间的相互依赖和协调，以满足MaaS目标。
2016-10-04 cs.NI
Network Slicing in 5G Mobile Communication Architecture, Profit Modeling, and Challenges
University of Kaiserslautern (RPTU)（凯泽斯劳滕工业大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
本文探讨了5G移动通信架构中网络切片的概念、系统架构、盈利建模及其面临的挑战和研究方向。
2026-03-10 cs.NI
Prioritized Value-Decomposition Network for Explainable AI-Enabled Network Slicing
提出优先级值分解网络（PVDN），通过XAI分解价值函数并优先化切片输出，在多智能体网络切片中提升吞吐量67%/16%、降低延迟35%/22%。
2025-01-27 cs.NI
HyRA: A Hybrid Resource Allocation Framework for RAN Slicing
University of Waterloo（滑铁卢大学）；University of Ottawa（渥太华大学）
HyRA通过结合专用和共享资源分配，提升RAN切片的资源效率和SLA合规性。
2026-02-18 cs.NI
On the Specialization of FDRL Agents for Scalable and Distributed 6G RAN Slicing Orchestration
网络切片使多个虚拟网络能够被实例化和自定义，以满足5G及其他网络部署的异构用例需求。然而，当今可用的大多数解决方案在考虑许多切片时都面临可扩展性问题，因为集中式控制器需要全面了解不同网络域上的资源可用性和消耗情况。为了应对这一挑战，我们设计了一个分层架构，以联邦的方式管理网络切片资源。在深度强化学习（DRL）方案和开放RAN（O-RAN）范式的快速发展的驱动下，我们提出了一组动态放置在无线电接入网络（RAN）中的流量感知本地决策代理（DA）。这些联合决策实体根据底层流量的长期动态调整其资源分配策略，定义能够实现更快训练和通信开销减少的专用集群。事实上，在流量感知代理选择算法的帮助下，我们提出的联邦日间行车线方法通过快速对最终用户移动模式做出反应并减少与集中式控制器的昂贵交互，提供比基准解决方案更高的资源效率。
2022-11-06 cs.NI
CDN Slicing over a Multi-Domain Edge Cloud
我们提出了一个架构，提供视频内容分发网络（CDN）的功能作为一个服务，在多域云。我们引入了CDN切片的概念，即根据内容提供商的请求创建的CDN服务实例，自主管理，并跨越多个潜在的异构边缘云基础设施。我们的设计是针对5G移动网络环境量身定制的，基于其固有的可编程性，管理灵活性以及移动边缘级别的云资源可用性，从而接近最终用户。我们利用网络功能虚拟化（NFV）和多访问边缘计算（MEC）技术，提出了一个符合最新NFV和MEC标准的系统。为了提供体验质量（QoE）优化的视频服务，我们推导出视频QoE的经验模型作为服务工作负载的函数，其与多级服务监控相结合，驱动我们的切片资源分配和弹性管理机制。这些管理方案具有自主计算资源缩放和动态转码功能，以使视频比特率适应当前网络条件。通过试验台实验证明了它们的有效性。
2022-01-05 cs.NI
EdgeSlice: Slicing Wireless Edge Computing Network with Decentralized Deep Reinforcement Learning
5G和边缘计算将服务于各种新兴用例，这些用例对多种资源有不同的要求，例如，无线电、交通和计算机。网络切片是一种很有前途的技术，用于创建虚拟网络，可以根据不同用例的要求进行定制。调配网络切片需要端到端的资源编排，这是一项挑战。在本文中，我们设计了一个分散的资源编排系统命名为EdgeSlice的动态端到端网络切片。EdgeSlice引入了一种新的去中心化深度强化学习（D-DRL）方法，以有效地编排端到端资源。D-DRL由一个性能协调器和多个编排代理组成。性能协调器管理所有编排代理中的资源编排策略，以确保网络切片的服务水平协议（SLA）。编排代理学习网络切片的资源需求，并相应地编排资源分配，以在受限的网络和计算资源下优化切片的性能。我们设计了无线电，传输和计算管理器，使端到端的资源在运行时的动态配置。我们在端到端无线边缘计算网络的原型上实现了EdgeSlice，该网络具有OpenAirInterface LTE网络，OpenDayLight SDN交换机和CUDA GPU平台。EdgeSlice的性能通过实验和跟踪驱动的模拟进行评估。测试结果表明，EdgeSlice在性能、可扩展性、兼容性等方面都比基线有了很大的提高。
2020-03-28 cs.NI
Network Slicing with Flexible VNF Order: A Branch-and-Bound Approach
针对VNF顺序可调的网络切片嵌入问题，提出联合优化准入控制与嵌入的框架，并设计结合A*搜索的近优BnB算法，显著提升可部署切片数与资源利用率。
2024-12-08 cs.NI
CLARA: A Constrained Reinforcement Learning Based Resource Allocation Framework for Network Slicing
University of California, Davis（加州大学戴维斯分校）；Shanghai Jiao Tong University（上海交通大学）；University of Minnesota（明尼苏达大学）
随着移动网络的激增，我们正在经历一个强大的服务多样化，这需要从现有的网络更大的灵活性。网络切片被提出作为5G和未来网络中资源利用的一种有前途的解决方案，以解决这一迫切需求。在网络切片中，动态资源编排和网络切片管理对于最大化资源利用率至关重要。不幸的是，这个过程太复杂，传统的方法是有效的，由于缺乏准确的模型和动态隐藏结构。我们制定的问题作为一个约束马尔可夫决策过程（CMDP）不知道模型和隐藏结构。此外，我们提出了解决这个问题，使用约束强化学习的资源分配算法的REACH A。特别是，我们分析了累积和瞬时约束，分别使用自适应邻域点策略优化和投影层。评价显示，在有服务需求保证的情况下，联合国A在资源分配方面的业绩明显优于基线。
2021-11-16 cs.LG cs.NI
Federated Deep Reinforcement Learning for Resource Allocation in O-RAN Slicing
近年来，开放式无线接入网（O-RAN）已经成为一种很有前途的技术，为网络供应商和运营商提供一个开放的环境。协调x应用（xAPP）对于提高灵活性和保证O-RAN的高整体网络性能至关重要。同时，联邦强化学习被认为是一种很有前途的技术，可以增强分布式强化学习代理之间的协作，提高学习效率。在本文中，我们提出了一种联合深度强化学习算法，以协调O-RAN中的多个独立xAPP进行网络切片。我们设计了两个xAPP，即功率控制xAPP和基于切片的资源分配xAPP，并使用联邦学习模型协调两个xAPP代理，以提高学习效率和改善网络性能。与传统的深度强化学习相比，我们提出的算法可以实现增强型移动宽带（eMBB）切片的吞吐量提高11%，超可靠低延迟通信（URLLC）切片的延迟降低33%。
2022-08-02 cs.NI eess.SP
The Creation Phase in Network Slicing: From a Service Order to an Operative Network Slice
网络切片被认为是以灵活和具有成本效益的方式为即将到来的5G系统所针对的众多租户（例如垂直行业）提供服务的关键机制。在本文中，我们提出了一种支持多租户的SDN/NFV架构。这种架构使网络切片提供商能够为多个租户动态部署网络切片实例，并同时为其提供隔离保证。遵循网络切片即服务交付模型，租户可以访问服务目录，选择最适合其需求的切片并订购其部署。这项工作提供了网络切片提供商必须遵循的部署订购的网络切片实例的阶段的详细视图，将其容纳到多域基础设施中，并使其可操作用于租户的消费。这些阶段解决了文献中确定的关键问题，包括（i）从高级服务需求到网络功能和基础设施需求的映射，（ii）准入控制，以及（iii）网络切片描述符应该具有的特定信息。通过建议的架构和推荐的阶段集，网络切片提供商可以以极大的敏捷性、灵活性和完全自动化来部署（并在稍后操作）切片实例。
2018-04-25 cs.NI
Slicing Scheduling for Supporting Critical Traffic in Beyond 5G
第五代（5G）移动网络旨在支持的最具挑战性的服务之一是需要非常低延迟和/或高可靠性的关键服务。现在很明显，这些关键服务也将成为超5G（B5 G）网络的核心。虽然5G无线电设计通过在定时方面引入更大的灵活性来适应这种支持，但如何有效地在共享网络上与其他宽带服务调度这些服务仍然是一个挑战。在本文中，我们使用网络切片作为网络共享的使能器，并提出了一个优化框架，通过打孔技术将资源调度到关键服务，对常规宽带服务的影响最小。然后，我们彻底检查的吞吐量和可靠性，通过模拟方面的框架的性能。
2021-12-06 cs.IT cs.NI math.IT
Optimum Network Slicing for Ultra-reliable Low Latency Communication (URLLC) Services in Campus Networks
Institut für Datentechnik und Kommunikationsnetze Technische Universität Braunschweig（布伦瑞克工业大学数据技术与通信网络研究所）
针对校园网络中URLLC服务的高可靠低延迟需求，提出基于RAN垂直切片的最优网络切片方法，将RAN功能部署建模为混合整数线性规划问题，可在实际场景找到最优解，支持动态UPF部署以提升灵活性。
2025-11-19 cs.NI
End-to-End Architecture Modularisation and Slicing for Next Generation Networks
在研究和标准组织的共同努力下，下一代网络的部署进程最近加快了。尽管如此，总体情况仍然不清楚，因为主要供应商和网络提供商尚未就几个关键概念的优先级和理解达成一致。网络切片是辩论的中心话题之一，预计将成为下一代网络的关键功能，提供支持各种5G用例和业务所需的灵活性。网络切片被视为网络运营商业务，为垂直行业和传统电信客户提供灵活的服务甚至基础设施。另一个关键因素是架构模块化概念，本文讨论并认为作者的基本设计原则，以建立一个灵活的网络架构原生支持网络切片。根据该概念，通常对应于现有系统中的物理网络元件的常规单片网络功能被分成以适当粒度定义的基本构建块，从而允许定义不同的逻辑架构（即，不同的网络切片）。在本文中，我们进一步讨论了一个模块化的方法，作为一个标准，以定义正确的基本构建块。定义通过这个建议的方法，一套基本的积木和相关的接口模型进行了讨论。本文最后提出了一种模块化的5G网络架构，作为下一代网络标准的候选者。
2016-11-02 cs.NI
A Comprehensive Tutorial and Survey of O-RAN: Exploring Slicing-aware Architecture, Deployment Options, Use Cases, and Challenges
本文全面探讨了O-RAN中的网络切片，通过深入审查规范和研究论文，重点介绍了其切片感知架构、部署编排选项及用例，填补了该领域研究与标准化的空白。
2025-08-14 cs.NI
AdaSlicing: Adaptive Online Network Slicing under Continual Network Dynamics in Open Radio Access Networks
针对开放无线接入网中网络切片方法难以适配持续动态、性能下降的问题，提出结合软隔离RAN虚拟化框架与融合贝叶斯学习和ADMM的AdaOrch算法的AdaSlicing系统，实验验证其在成本和性能上均显著优于现有方案。
2025-01-12 cs.NI
Fast and Scalable Network Slicing by Integrating Deep Learning with Lagrangian Methods
Nokia Bell Labs（诺基亚贝尔实验室）；University of Nebraska Lincoln（内布拉斯加大学林肯分校）；Technical University of Munich（慕尼黑工业大学）
针对深度学习网络切片方法泛化与适应性不足的问题，提出融合约束优化与深度学习的神经辅助资源分配算法，在多种切片场景下实现近优QoS满意度、强泛化性和高可扩展性。
2024-01-22 cs.AI cs.LG cs.NI
SEM-O-RAN: Semantic and Flexible O-RAN Slicing for NextG Edge-Assisted Mobile Systems
本文提出 SEM-O-RAN，首个面向 NextG 开放 RAN 的语义化灵活切片框架，通过语义感知压缩和灵活边缘分配，将已分配任务数量较现有最优方法最多提升 169%。
2022-12-22 cs.NI
Pair-Bid Auction Model for Optimized Network Slicing in 5G RAN
本文针对5G网络切片资源分配问题，提出一种双层组合拍卖模型，结合配对竞价机制与VCG定价优化分配与收入，使总收入较基准提升12.5%。
2025-09-05 cs.GT cs.NI
Advancing RAN Slicing with Offline Reinforcement Learning
University of Virginia（弗吉尼亚大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；Intel Corporation（英特尔公司）
针对现有强化学习方法在RAN切片中依赖在线交互或高质量数据集的部署难题，本文引入离线强化学习求解该问题，证明其可从次优数据学习近优策略、无需额外交互即可调整策略，且能适配多样服务要求，提升了RRM方法的可行性与适应性。
2023-12-16 cs.IT cs.LG cs.NI
An agile and distributed mechanism for inter-domain network slicing in next generation mobile networks
网络切片正在成为一种有前途的方法，可以提供广受欢迎的多功能性和灵活性，以应对不断增长的需求。为了实现这种潜在的优势，并满足具有挑战性的要求，各种网络切片按需的方式，我们需要开发一种灵活的和分布式的机制，资源供应到不同的网络切片在异构的多资源多域移动网络环境。我们制定域间资源供应网络切片在这样的环境中作为一个优化问题，最大化网络切片租户之间的社会福利（从而最大限度地提高租户的满意度），同时最小化基础设施服务提供商的运营支出在同一时间。为了解决所设想的问题，我们一方面在网络切片租户之间实现迭代拍卖游戏，另一方面在多个定价子网服务提供商之间实现迭代拍卖游戏。我们表明，所提出的解决方案的方法在分布式隐私保护机制，收敛到所描述的优化问题的最优解的结果。除了提供分析结果来表征所提出的机制的性能，我们还采用数值评估来验证结果，证明所提出的算法的收敛性，并显示所提出的方法（在资源利用率，公平性和运营成本方面）对现有的解决方案的增强性能。
2021-02-21 cs.GT cs.NI
Federated Orchestration for Network Slicing of Bandwidth and Computational Resource
网络切片一直被认为是5G支持多样化物联网服务和应用场景的关键推动因素之一。本文研究了5G支持的大规模物联网网络的分布式网络切片与雾计算。具有不同需求的多种服务需要由5G网络提供的频谱资源和雾计算网络的计算资源来支持。我们提出了一种新的分布式框架的基础上，一个新的控制平面实体，联邦协调器，它可以协调频谱和计算资源，而不需要任何交换的本地数据和资源信息从BS。提出了一种基于部分变量分裂乘子交替方向法的分布式资源分配算法。我们证明了DistADMM-PVS最大限度地减少了整个网络的平均服务响应时间，并保证了所有支持的服务类型的最坏情况下的性能时，F-协调器和BS之间的协调是完全同步的。基于协调同步可能导致高协调延迟，当网络规模很大时，这是无法容忍的，我们提出了一种新的简化ADMM算法。我们证明了AsynADMM可以收敛到全局最优解，具有更好的可扩展性和可忽略的协调延迟。我们使用在5G网络支持的校园智能交通系统中收集的两个月的交通数据来评估我们提出的框架的性能。我们已就繁忙及非繁忙时间的行人及车辆相关服务进行广泛的模拟。我们的研究结果表明，所提出的框架提供了显着减少的服务响应时间为两个支持的服务，特别是与网络切片只有一个单一的资源。
2020-02-06 cs.NI eess.SP
Digital Twin-Enhanced Deep Reinforcement Learning for Resource Management in Networks Slicing
本文提出数字孪生与深度强化学习结合的框架，通过历史数据构建并校准虚拟环境，在虚拟预验证环境中优化网络切片资源管理策略，显著提升性能并支持离线强化学习。
2023-11-28 cs.LG cs.NI
An Intelligent Native Network Slicing Security Architecture Empowered by Federated Learning
Federal University of Viçosa (UFV)（维索萨联邦大学）；Federal University of Espírito Santo (UFES)（圣埃斯皮里图联邦大学）；Salvador University (UNIFACS)（萨尔瓦多大学）；Federal University of Ceará (UFC)（塞阿拉联邦大学）；University of São Paulo (USP)（圣保罗大学）；University of Minho (UMinho)（米尼奥大学）
针对现有网络切片架构缺乏内在智能安全能力的问题，提出安全原生架构，将基于机器学习的智能微服务作为联邦智能体部署，利用非侵入式遥测检测攻击，取得了优异的准确率，为网络切片安全提供了新方向。
2024-10-04 cs.AI cs.CR cs.ET
Mobility Management as a Service for 5G Networks
传统上，移动性管理（MM）技术本质上是集中式的，其中单个网络实体负责处理附接到网络的移动节点的移动性相关任务。然而，网络流量和用户数量的指数增长已经引入了向连接到5G网络的无线节点提供移动性管理即服务（MMaaS）的概念。允许按需移动性管理解决方案不仅将为网络提供所需的灵活性，以适应未来网络所服务的许多不同用例，而且还将为网络提供所需的可扩展性以及服务未来网络的灵活性。因此，本文对MMaaS进行了详细的研究，强调了它对5G网络的好处和挑战。此外，非常重要的属性的粒度的服务，这是深深交织在一起的可扩展性和灵活性的要求，未来的无线网络，以及MMaaS的后果，也进行了详细讨论。
2017-05-25 cs.NI
Adaptive and Resilient Dual-Layer Resource Slicing for Hovering Aerial Backhaul Networks
National Chung Cheng University（国立中正大学）；Feng Chia University（逢甲大学）
本文提出RAPO-TD3框架，通过双软最大投影和弹性优先级编排机制，解决悬停空中代理辅助回程网络中的双层资源切片问题，实现URLLC延迟保障与高效性能。
2026-09-29 cs.MA cs.NI
CN2F: A Cloud-Native Cellular Network Framework
Isfahan University of Technology（伊斯法罕理工大学）；Mobile Communications Company Research and Development Center（移动通信公司研发中心）
本文提出CN2F框架，基于OpenAirInterface和Kubernetes实现灵活的蜂窝网络测试环境，支持边缘计算、云计算和RAN切片等场景，用于学术和工业研发。
2026-01-10 cs.NI
Towards a Scalable and Trustworthy Blockchain: IoT Use Case
最近，区块链作为一种新技术获得了发展势头，产生了大量新的分散式应用程序（例如，物联网（IoT）。然而，它与物联网的整合仍然面临着几个问题（例如，可伸缩性、灵活性）。配置资源以支持大量连接的物联网设备意味着拥有可扩展和灵活的区块链。为了解决这些问题，我们提出了一种适用于物联网的可扩展和可信赖的区块链（STB）架构;该架构使用区块链分片和Oracle以完全分布式和可信赖的方式在不可靠的物联网设备之间建立信任。特别是，我们设计了一个点对点的甲骨文网络，确保数据的可靠性，可扩展性，灵活性和可信度。此外，我们引入了一种新的轻量级共识算法，该算法可以显着扩展区块链，同时确保区块链参与者之间的互操作性。结果表明，我们提出的机顶盒架构实现了灵活性，效率和可扩展性，使其成为一个有前途的解决方案，适用于物联网环境。
2022-01-27 cs.CR cs.NI
From Classification to Optimization: Slicing and Resource Management with TRACTOR
本文提出TRACTOR框架，通过构建真实O-RAN数据集、多模型流量分类和强化学习PRB分配优化，实现网络切片与资源管理，性能优于专家策略和随机基线。
2025-03-11 cs.NI cs.SY eess.SY
Slice Agent: Identifying and Isolating Slices in Shared Open Radio Unit
University of Vale do Rio dos Sinos (UNISINOS)（南里奥达斯苏诺斯河谷大学）；Universidade Federal de Goiás (UFG)（戈亚斯联邦大学）
本文提出在共享开放射频单元中嵌入切片代理，通过专用路径实现时间敏感的灵活切片，以支持超低延迟的切片识别和隔离，适用于5G和6G开放RAN部署。
2026-04-28 cs.NI
Inter-Cell Network Slicing With Transfer Learning Empowered Multi-Agent Deep Reinforcement Learning
Nokia Bell Labs（诺基亚贝尔实验室）；Technical University of Munich（慕尼黑工业大学）；University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
针对网络切片中的跨小区干扰问题，提出基于迁移学习的多智能体深度强化学习算法TL-DIRP，通过集中训练通用模型并迁移至各智能体进行分布式微调，提升资源分配性能，降低QoS违例率。
2023-06-20 cs.LG cs.MA cs.NI
Energy, Scalability, Data and Security in Massive IoT: Current Landscape and Future Directions
本文综述了大规模物联网在可扩展性、数据管理、能耗和安全方面的挑战，系统梳理了 LPWAN、5G/6G、边缘计算、联邦学习和区块链等关键技术与策略，并提出面向可持续、弹性 MIoT 部署的未来路线图。
2025-05-05 cs.ET cs.NI
6G Underlayer Network Concepts for Ultra Reliable and Low Latency Communication in Manufacturing
本文针对制造业无线连接的高时延与干扰问题，提出面向6G的底层网络概念，通过协调多网络流量、网络切片与频谱共享，实现低时延、高可靠和安全的无线集成，并评估其在机床闭环通信中的应用。
2023-09-19 cs.ET cs.NI
Noisy Neighbor Influence in the Data Plane of Beyond 5G Networks
Federal University of Viçosa (UFV)（维索萨联邦大学）；University of São Paulo (USP)（圣保罗大学）；University of Minho (UMinho)（米尼奥大学）
本文提出了一种内核级的UPF仪器化方法，用于评估噪声邻居效应在超5G网络数据平面中的影响，并揭示了优先级切片可能受到的延迟影响。
2026-01-17 cs.NI
Density-aware Dynamic Mobile Networks: Opportunities and Challenges
我们在移动网络中经历了一场重大的范式变革。蜂窝网络的基础设施变得移动，因为它通过使用移动和游牧小小区来增加覆盖范围和容量而变得密集。此外，通过睡眠调度、用户控制的小小区和端到端切片等绿色操作的创新方法将使网络高度动态化。移动蜂窝在带来许多好处的同时，也带来了许多我们在本文中提出的非常规挑战。我们必须引入新的技术，使网络功能、通信协议及其参数适应网络密度。特别是当考虑轮子或机翼上的细胞时，如果不考虑密度作为优化参数，静态和人为配置将浪费宝贵的资源，例如频谱或能量。在本文中，我们提出了现有的密度估计。我们分析了密度对覆盖范围，干扰，移动性管理，可扩展性，容量，缓存，路由协议和能耗的影响。我们评估游牧细胞在动态网络中的全面的方式，并说明了潜在的目标，我们可以通过适应移动网络的基站密度。我们可能面临的主要挑战，采用动态网络，以及我们如何能够解决这些问题进行了详细讨论。
2017-12-25 cs.NI
Rattan: An Extensible and Scalable Modular Internet Path Emulator
针对现有网络模拟器在灵活性、可扩展性和易用性上的不足，提出基于模块化“单元”架构的可扩展且可伸缩的互联网路径模拟器Rattan，支持单机数百条千兆级路径及多机集群实验，助力高效评估网络传输创新。
2025-07-10 cs.NI
Extreme-Scale Interconnection Networks
Universidad de Cantabria（坎塔布里亚大学）；Barcelona Supercomputing Center（巴塞罗那超级计算中心）
本文研究用于极端规模数据中心的叶脊网络拓扑，提出多通路随机叶脊（MRLS）网络，通过非最小路由策略实现高吞吐量和灵活性，在10万端点的All2All集合通信中比Fat-Tree快50%，比Dragonfly快100%。
2026-05-26 cs.DC cs.NI
