ONETS: Online Network Slice Broker From Theory to Practice
网络切片允许移动网络运营商将其物理网络基础设施平台开放给多个逻辑自包含网络的并发部署，即，网络切片。在本文中，我们提出并分析了ONETS：在线网络切片解决方案，其（i）建立在预算锁定多臂强盗数学模型和属性上，（ii）在我们提出的网络切片扩展中导出其分析边界，（iii）无缝集成到3GPP架构中，（iv）通过在考虑三个网络切片的商业硬件上的概念验证实现来证明其可行性，以及（v）允许设计低-复杂的在线网络切片代理解决方案，最大限度地提高复用收益。
2020-11-05 cs.NI
Knowledge Transfer in Deep Reinforcement Learning for Slice-Aware Mobility Robustness Optimization
Nokia Bell Labs（诺基亚贝尔实验室）；Technical University of Munich（慕尼黑工业大学）；Nokia Software（诺基亚软件部门）
自组织网络中的传统移动性鲁棒性优化（MRO）旨在通过优化小区特定的切换参数来提高切换性能。然而，这样的解决方案不能满足下一代网络的需求与网络切片，因为它只保证接收信号的强度，而不是每个切片的服务质量。为了提供真正无缝的移动服务，我们提出了一种基于深度强化学习的切片感知移动鲁棒性优化（SAMRO）方法，该方法通过优化切片特定的切换参数来提高切换性能，并确保切片服务。此外，为了允许安全和样本有效的在线训练，我们开发了一个两步迁移学习方案：1）正则化的离线强化学习，以及2）有效的在线微调与混合经验重放。系统级仿真结果表明，与传统的MRO算法相比，SAMRO算法在优化切换性能的同时，显著提高了切片感知服务的连续性。
2022-03-07 cs.AI cs.LG 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
Online Admission Control and Resource Allocation in Network Slicing under Demand Uncertainties
迈向下一代网络（如5G/6 G）的最重要方面之一是以有效的方式实现网络切片。最具挑战性的问题是计算和通信需求的不确定性。由于切片在不同的时间到达网络，并且它们的生命周期不同，因此解决方案应该动态地响应在线切片请求。建立了考虑能耗的在线接纳控制和资源分配联合问题的数学模型。它基于二进制线性规划（BLP），其中，利用$Γ$ -鲁棒性概念来克服虚拟链路（VL）带宽和虚拟网络功能（VNF）工作负载的不确定性。然后，提出了一种优化算法。对于现实世界和大规模网络，这种最佳算法无法在合理的时间内解决。为了有效地找到近似最优解，提出了一种新的启发式算法。评估的结果表明，启发式算法的效率对于增加接受的请求数量、降低功耗以及分别针对VNF工作负载和VL流量的不确定性提供可调容差至关重要。考虑到接受率和功耗这两个重要组成部分的目标函数，启发式有约7%和10%的最优性差距，分别，而约30倍的速度比最优算法。
2022-04-14 cs.NI
Distributed Online Anomaly Detection for Virtualized Network Slicing Environment
由于网络切片是通信网络中的关键使能器之一，承载多个虚拟网络元件的底层网络中的一个异常物理节点（PN）或物理链路（PL）可能导致多个网络切片的显著性能降级。为了在短时间内从异常中恢复基底网络，快速准确地识别PN和PL中是否存在异常是至关重要的。可以实时分析系统数据的在线异常检测方法是首选。此外，由于映射到PN和PL的虚拟节点和链路分散在多个切片中，因此需要分布式检测模式来适应虚拟化环境。根据这些要求，本文首先提出了一种基于分散单类支持向量机（OCSVM）的分布式在线PN异常检测算法，该算法通过分析分布式映射到PN的虚拟节点的实时测量值来实现。具体来说，解耦OCSVM的目标函数，我们将原来的问题转化为一组分散的二次规划问题，通过引入共识约束。采用乘子交替方向法实现分布式在线PN异常检测。其次，利用相邻虚拟节点测量值的相关性，提出了一种基于典型相关分析的分布式在线PL异常检测算法。该网络只需要存储当前数据的协方差矩阵和均值向量，就可以计算典型相关向量，用于实时PL异常分析。仿真实验结果表明了本文提出的分布式在线异常检测算法的有效性和鲁棒性。
2022-01-06 cs.NI
Odin: Effective End-to-End SLA Decomposition for 5G/6G Network Slicing via Online Learning
本文提出基于贝叶斯优化的Odin解决方案，利用各域在线反馈实现5G/6G网络切片的高效端到端SLA分解，在降低资源成本的同时将SLA满足率提升45%。
2025-09-16 cs.NI
Heuristic for Edge-enabled Network Slicing Optimization using the Power of Two Choices
针对网络切片布局优化问题，提出了一种在线启发式算法.该解决方案适用于支持大规模网络上的布局，并集成了特定于边缘的URLLC约束。我们依靠一种叫做两种选择的力量的方法来建立启发式。评估结果表明，良好的性能的启发式解决问题在几秒钟内在一个大规模的场景。启发式也提高了网络切片放置请求的接受率相比，确定性的在线线性规划（ILP）的解决方案。
2020-10-16 cs.NI
Edge-enabled Optimized Network Slicing in Large Scale Networks
在这篇演示论文中，我们考虑了网络切片布局优化问题，并给出了一些见解，一个快速的启发式算法，适合在大规模网络布局。我们考虑一个在线优化方案与多个和易失性的网络切片请求到达，我们展示了所提出的边缘启用网络切片放置解决方案的适用性，通过大规模网络场景说明的概念验证。
2020-10-16 cs.NI
Slicing the Network: Maintaining Neutrality, Protecting Privacy, and Promoting Competition
本文研究5G网络切片技术如何在维护网络中立、保护用户隐私和促进市场竞争的前提下部署，并为运营商和监管机构提出技术与政策建议。
2023-08-10 cs.CY cs.NI
Digital Twin Assisted Deep Reinforcement Learning for Online Admission Control in Sliced Network
Southeast University（东南大学）；Purple Mountain Laboratories（紫金山实验室）
针对切片网络准入控制中DRL模型初始不稳定、收敛慢的问题，提出数字孪生辅助的DRL方案，通过DT预训练辅助加速DRL收敛，相比现有对决深度Q学习模型资源利用率提升超40%，同时保留长期奖励优化能力。
2023-11-21 cs.LG cs.SY eess.SP
Online Network Slicing for Real Time Applications in Large-scale Satellite Networks
在这项工作中，我们研究资源分配策略的实时的【形】通信（RTC）在卫星网络与虚拟网络功能。通过星间链路（ISL）、在轨计算和网络虚拟化技术的增强，大规模卫星网络可以为具有多样化功能的RTC应用提供低延迟和高带宽的全球覆盖。然而，使用间歇性ISL实现具有特定功能要求的RTC需要具有快速响应时间的高效路由方法。我们确定，这样的路由问题在时变图可以制定为一个整数线性规划问题。分支定界方法引起$\mathcal{O}(|\mathcal{L}^τ| \cdot (3 |\mathcal{V}^τ| + |\mathcal{L}^τ|)^{|\mathcal{L}^τ|})$时间复杂度，其中$|\mathcal{V}^τ|$是节点的数量，并且$|\mathcal{L}^τ|$是在时间间隔$τ$期间的链路的数量。通过采用基于k-最短路径的算法，理论上的最坏情况复杂度变为$O(|\mathcal{V}^τ|! \cdot |\mathcal{V}^τ|^3)$。虽然它在大多数情况下运行得很快，但它的解决方案可能是次优的，并且可能找不到，从而导致实际中的接受率受损。为了克服这一点，我们进一步设计了一个基于图的算法，利用特殊结构的解决方案空间，它可以获得最优解的多项式时间与计算复杂性为$\mathcal{O}(3|\mathcal{L}^τ| + (2\log{|\mathcal{V}^τ|}+1) …
2023-01-23 cs.NI
Online Slice Reconfiguration for End-to-End QoE in 6G Applications
6G应用的端到端（E2E）体验质量（QoE）取决于网络和计算资源的同步分配，也称为切片。然而，资源和E2E QoE结果之间的关系通常是随机的和非平稳的。现有的作品考虑已知的资源需求切片和制定切片重构的优化问题。在这项工作中，我们通过学习E2E QoE和资源之间的关系来创建和管理切片。我们开发了一种基于梯度的在线切片重配置算法（OHRA），用于在无线电接入网络（RAN）资源受限的场景中重新配置和管理切片。我们观察到，与现有方法相比，我们的方法以高精度满足QoE要求。它改进了现有的方法，约98%的突发流量变化。我们的算法具有快速收敛，并实现低E2E延迟违规低优先级切片。
2022-01-13 cs.NI
5Guard: Isolation-aware End-to-End Slicing of 5G Networks
针对5G网络切片中资源共享导致的威胁与性能问题，提出隔离感知端到端切片框架5Guard，通过定制隔离级别平衡安全与开销，建模为混合整数规划问题并利用优化算法集成，显著提升利润与资源利用效率。
2025-04-18 cs.NI
ColO-RAN: Developing Machine Learning-based xApps for Open RAN Closed-loop Control on Programmable Experimental Platforms
尽管开放RAN带来了新的机遇，但基于ML的网络自动化的进展一直很缓慢，主要是因为大规模数据集和实验测试基础设施的不可用。这减缓了深度强化学习（DRL）代理在真实网络上的开发和广泛采用，延迟了智能和自主RAN控制的进展。在本文中，我们提出了实用的解决方案和软件管道的设计，培训，测试，并在开放RAN基于DRL的闭环控制的实验评估，以解决这些挑战。我们介绍ColO-RAN，这是第一个公开的具有软件定义无线电在环的大规模O-RAN测试框架。基于Colosseum无线网络仿真器的规模和计算能力，ColO-RAN使用O-RAN组件、可编程基站和“无线数据工厂”实现了大规模的ML研究。具体来说，我们设计和开发了三个示例性xApp，用于基于DRL的RAN切片控制、调度和在线模型训练，并评估它们在具有7个软件化基站和42个用户的蜂窝网络上的性能。最后，我们展示了ColO-RAN到不同平台的可移植性，通过将其部署在室内可编程测试平台Arena上。我们首次大规模评估的广泛结果突出了基于DRL的自适应控制的优势和挑战。他们还提供了关于无线DRL管道开发的见解，从数据分析到DRL代理的设计，以及与现场RAN培训相关的权衡。ColO-RAN和收集的大规模数据集将向研究界公开提供。
2022-01-12 cs.LG cs.NI
Multi-Tenant Radio Access Network Slicing: Statistical Multiplexing of Spatial Loads
本文解决了多个租户对无线电接入网络（RAN）资源的切片，例如，虚拟无线运营商和服务提供商。我们考虑租户之间的动态资源分配的标准，基于加权成比例的公平目标，其实现跨不同租户及其相关联的用户的网络切片的期望的公平性/保护。建立了几个关键属性，包括：用户关联到基站的帕累托最优性，基站资源的公平分配，以及从跨切片的动态资源共享中获得的收益，无论是在效用增益还是容量节省方面。然后，我们解决算法和实践中的挑战，实现所提出的标准。我们的目标是NP-难的，使一个精确的解决方案不切实际，并设计一个分布式的半在线算法，满足性能保证平衡，可以快速收敛到一个区域周围的平衡点。在此算法的基础上，我们设计了一个实用的方法，有限的计算，信息和切换开销。我们使用详细的模拟来表明，我们的方法确实是接近最佳的，并提供了大量的收益，租户（在节省容量方面）和最终用户（在提高性能方面）。
2016-10-28 cs.NI
Online Network Slice Deployment across Multiple Domains under Trust Constraints
American University of the Middle East（中东美国大学）；LAAS-CNRS（法国国家科学研究中心实验室）
本文研究了跨多行政域的网络切片部署问题，提出路径-链接（PL）模型和动态定价方法，在满足信任约束的同时实现快速在线分配和部署。
2026-04-01 cs.NI
Network slicing for vehicular communications: a multi-agent deep reinforcement learning approach
研究了基于非正交多址接入和网络切片的车载网络多智能体资源分配问题。为了确保不同车辆的异构服务需求，我们提出了一个网络切片架构。我们专注于一个非蜂窝网络的情况下，车辆通信的广播方法，通过直接的设备到设备接口。在这样的车辆网络中，车辆之间的资源分配非常困难，这主要是由于（i）高度移动的车辆之间的无线信道的快速变化以及（ii）缺乏中央协调点。因此，排除了获取瞬时信道状态信息以执行集中式资源分配的可能性。因此，所考虑的资源分配问题非常复杂。它不仅包括通常的频谱和功率分配，还包括覆盖范围选择（向哪些目标车辆广播）和分组选择（使用哪个网络切片）。这个问题必须联合解决，因为选择的数据包可以使用NOMA覆盖，因此频谱和功率必须仔细分配，以实现更好的车辆覆盖。为此，我们提供了一个优化方法，并研究了NP-困难的问题。然后，我们使用多智能体马尔可夫决策过程模型的问题。最后，我们使用深度强化学习（DRL）方法来解决这个问题。建议的DRL算法是实用的，因为它可以实现在一个在线和分布式的方式。我们表明，我们的方法是强大的和有效的，当面对不同的变化的网络参数和集中的基准相比。
2022-01-27 cs.NI
Multi-Agent Reinforcement Learning for SLA-Aware Network Slicing in UAV-Enabled MEC
Oulu University（奥卢大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）；ICTFICIAL Oy（ICTFICIAL公司）；Ruhr University Bochum (RUB)（波鸿鲁尔大学）
研究无人机支持的MEC中保证SLA稳定性的问题，提出预测性多智能体强化学习框架，通过协调轨迹控制和资源分配维持SLA稳定，设计奖励函数，用MAPPO训练智能体，模拟表明该框架能显著提升SLA稳定性且保持性能优势。
2026-07-28 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
An Online Multi-dimensional Knapsack Approach for Slice Admission Control
本文提出一种基于在线多维背包模型的切片准入控制方法，通过两种预留策略最大化长期收益，模拟显示收益提升达12.9%，资源消耗降低1.7%。
2025-08-08 cs.NI
inRAN: Interpretable Online Bayesian Learning for Network Automation in Open Radio Access Networks
University of Nebraska-Lincoln（内布拉斯加大学林肯分校）；Nokia Bell Labs（诺基亚贝尔实验室）
inRAN通过可解释的替代模型和安全优化求解器，实现Open RAN网络自动化中的可解释在线贝叶斯学习，有效应对动态网络环境。
2026-01-06 cs.NI
Online Estimation of Resource Overload Risk in 5G Multi-Tenancy Network
作为第五代（5G）无线网络最具特色的特征，网络切片技术在共享的物理基础设施之上管理异构和逻辑隔离的切片中的资源和网络功能，其中每个切片可以独立地定制以满足其专用服务类型的特定要求。它实现了多租户网络的新范例，其中网络切片可以由移动网络运营商（MNO）以公共云计算服务的形式出租给租户，称为切片即服务（Slice-as- Service，SlaaS）。与经典的云计算场景类似，SlaaS受益于向众多租户超额预订其资源，利用资源弹性和多样性，但代价是冒着网络资源过载和违反服务级别协议（SLA）的风险，SLA规定了应向网络切片保证的服务质量（QoS）。因此，准确估计资源过载风险（特别是在复杂的网络动态下）以监控和增强SlaaS业务的可靠性成为MNO的关键挑战。
2021-06-15 cs.NI eess.SP
Optimistic Learning for Communication Networks
Delft University of Technology（代尔夫特理工大学）；Trinity College Dublin（都柏林圣三一学院）
该教程提出将乐观学习（OpL）作为现代通信网络资源管理的决策引擎，结合离线深度学习的高性能与在线学习的稳健性，并展示了其在缓存、边缘计算等场景中的应用及未来挑战。
2025-04-04 cs.LG cs.NI
Multi-Tenant Cross-Slice Resource Orchestration: A Deep Reinforcement Learning Approach
随着蜂窝网络变得越来越灵活，一个主要的挑战在于如何在一个共同的物理网络基础设施上支持移动用户（MU）的各种服务。网络切片是一种很有前途的解决方案，可以定制网络以匹配此类服务请求。本文考虑了一个系统与无线电接入网络（RAN），只有切片，其中的物理基础设施被分割成切片提供计算和通信功能。有限数量的信道跨调度时隙被拍卖给多个服务提供商（SP）的MU（即，租户）。每个SP都自私地表现为最大化与其他SP竞争的预期长期回报，以协调通道，这为其MU提供了访问计算和通信切片的机会。该问题被建模为一个随机博弈，其中SP的决策依赖于全局网络动态以及所有SP的联合控制策略。为了逼近纳什均衡解，我们首先构造了一个抽象的随机博弈模型，该模型包含了供应商之间渠道拍卖的局部结构。然后，我们线性分解的每SP马尔可夫决策过程，以简化在SP的决策，并推导出一个在线计划的基础上深度强化学习，以接近最优的抽象控制策略。数值实验表明，我们的计划显着的性能增益。
2019-06-03 cs.NI
Constraint-Aware Deep Reinforcement Learning for End-to-End Resource Orchestration in Mobile Networks
网络切片是一种很有前途的技术，它允许移动网络运营商有效地服务于5G中的各种新兴用例。优化网络基础设施的利用率，同时根据服务水平协议（SLA）保证网络切片的性能是具有挑战性的。为了解决这个问题，我们提出了SafeSlicing，它引入了一种新的约束感知深度强化学习（CaDRL）算法，可以在两个步骤内学习最佳资源编排策略，即，在模拟环境中进行离线训练，以及利用真实网络系统进行在线学习。在优化资源编排时，利用拉格朗日乘子将切片统计性能的约束条件加入到奖励函数中，并通过策略网络解决拉格朗日松弛问题。为了满足对系统容量的约束，我们设计了一个约束网络来映射从策略网络生成的潜在动作到编排动作，使得分配给网络切片的总资源不超过系统容量。我们在使用OpenAirInterface LTE、基于OpenDayLight的SDN和CUDA GPU计算平台开发的端到端测试平台上对SafeSlicing进行了原型设计。实验结果表明，与其他解决方案相比，SafeSlicing在满足网络切片SLA的同时减少了20%以上的资源使用。
2021-10-08 cs.NI
Monkey Business: Reinforcement learning meets neighborhood search for Virtual Network Embedding
Telecom SudParis（南巴黎电信学院）；Davidson consulting（戴维森咨询公司）
在这篇文章中，我们考虑了5G网络切片的虚拟网络嵌入（VNE）问题。这个问题需要在底层虚拟化物理网络上分配多个虚拟网络（VN），同时最大化资源利用率、放置的VN的最大数量和网络运营商的利益等。我们解决了切片随时间到达的问题的在线版本。启发嵌套推出政策适应（NRPA）算法，一个著名的蒙特卡罗树搜索（MCTS），学习如何随着时间的推移进行良好的模拟的变体，我们提出了一个新的算法，我们称之为邻域增强的政策适应（NEPA）。我们的算法的关键特征是观察NRPA不能利用在状态树的一个分支中获得的知识用于另一个开始不同的分支。NEPA通过将NRPA与邻域搜索相结合来学习，以一种节俭的方式只改进有希望的解决方案，同时保持低运行时间。我们称这种技术为猴子生意，因为它归结为从一个有趣的树枝跳到另一个，类似于猴子从一棵树跳到另一棵树，而不是每次都下来。与其他最先进的算法相比，NEPA在接受率和收入成本比方面取得了更好的结果，无论是在真实的还是合成的拓扑结构上。
2022-02-28 cs.AI cs.NI
SIA: Symbolic Interpretability for Anticipatory Deep Reinforcement Learning in Network Control
IMDEA Networks Institute（IMDEA网络研究所）；Northeastern University（东北大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
SIA通过融合符号AI与知识图谱，实现前瞻性深度强化学习的实时可解释性，提升网络控制的透明度和效率。
2026-01-29 cs.AI cs.NI
