OPlaceRAN -- a Placement Orchestrator for Virtualized Next-Generation of Radio Access Network
第五代移动演进实现了下一代无线接入网(NG-RAN)的转型。RAN协议栈被划分为组合在三个网络单元中的八个分解选项,即,中央、分布式和无线电。除此之外,进一步的进步允许使用虚拟化RAN(vRAN)的概念在通用硬件之上虚拟化RAN功能。NG-RAN和vRAN的组合产生了vNG-RAN,其使得能够将分散的单元和协议作为一组无线电功能进行管理。然而,这些无线电功能的基于编排的放置是一个具有挑战性的问题,因为最佳决策可以由涉及RAN分解,交叉回传网络要求,计算资源的可用性等多个约束条件确定。本文提出了OPlaceRAN,一个在NFV参考架构内框架的vNG-RAN部署编排器,并与开放RAN计划保持一致。OPlaceRAN支持专注于vNG-RAN规划的无线电功能的动态放置,并且被设计为与放置优化模型无关。为了验证OPlaceRAN,我们基于最新的云原生工具开发了一个原型,使用OpenAirInterface仿真器并考虑两个不同的功能划分(选项2和6),使用容器化虚拟化部署RAN。该评估作为概念验证在一个真正的计算基础设施使用两种不同的放置解决方案进行测试。我们的研究结果表明,OPlaceRAN是一种有效的云原生解决方案,用于容器化网络功能的放置,并且与优化模型无关。此外,OPlaceRAN采用了最先进的vNG-RAN设计和开发方法,为第五代移动网络的发展做出了贡献。
2021-11-10 cs.NI
Market Driven Multi-domain Network Service Orchestration in 5G Networks
针对5G多域NFV服务中的跨域编排难题,本文提出一种智能且可盈利的拍卖式域间资源分配方法。
2023-07-12 cs.NI
End-to-End Orchestration of NextG Media Services over the Distributed Compute Continuum
Friedrich-Alexander University, Erlangen-Nürnberg(埃尔朗根-纽伦堡弗里德里希-亚历山大大学);Nokia Bell Labs(诺基亚贝尔实验室);University of Naples Federico II(那不勒斯费德里科二世大学)
针对NextG网络中新兴应用端到端编排的复杂性,本文提出基于信息感知DAG的多项式时间近似算法IDAGO,通过Cloud Network Flow框架与DAG到Forest图转换实现最优编排。
2024-07-11 cs.NI
Semantic-Aware Dynamic and Distributed Power Allocation: a Multi-UAV Area Coverage Use Case
针对6G空天地网络的功率分配挑战,本文提出语义感知多智能体SAMA-D3QL算法,以观测数据质量为奖励训练,在多无人机覆盖场景下性能优于传统算法。
2025-02-24 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
A Publish/Subscribe QoS-aware Framework for Massive IoT Traffic Orchestration
物联网(IoT)应用部署需要分配虚拟机、存储和网络元素等资源,这些资源必须部署在不同的基础设施上,如云计算、物联网(CoT)、数据中心和骨干网络。对于大规模物联网数据采集,通常使用基于网关的数据聚合方法,其特征在于传感器/执行器无缝访问并提供缓存/缓冲和预处理功能。从这个角度来看,作为生产者的网关需要分配网络资源来向消费者发送物联网数据。在本文中,它提出了一个发布/订阅(PubSub)服务质量(QoS)感知框架(PSIOT-Orch),编排物联网流量和分配网络资源之间的聚合和消费者的大规模物联网流量。PSIOT-Orch根据其配置的QoS要求调度物联网数据流。此外,该框架在物联网数据用户和消费者之间通过具有有限和受约束资源的受控骨干网络分配网络资源(LSP/带宽)。使用带宽分配模型(BAM)来分配网络资源,以实现用于调度的IoT数据流的高效网络资源分配。PSIOT-Orch采用ICN(信息中心网络)PubSub架构方法来处理框架组件之间的物联网数据传输请求。所提出的框架旨在使用PubSub消息方案收集以ICN为中心的方法的固有优势,同时有效地分配资源,保持QoS意识并处理大规模物联网流量的受限网络资源(带宽)。
2018-06-08 cs.DC cs.NI
Hierarchical Digital Twin for Efficient 6G Network Orchestration via Adaptive Attribute Selection and Scalable Network Modeling
针对6G异构网络建模中数据处理低效与时间不同步问题,提出分层数字孪生范式,结合自适应属性选择、可扩展细粒度建模和虚实同步,实现高效网络编排。
2024-03-19 cs.NI
Energy Efficient Orchestration in Multiple-Access Vehicular Aerial-Terrestrial 6G Networks
Oulu University(奥卢大学);Ruhr University Bochum (RUB)(鲁尔大学波鸿分校);ICTFICIAL Oy(ICTFICIAL公司);Universitat Politècnica de València(瓦伦西亚理工大学)
本文提出一种新型框架,整合无人机轨迹规划、多接入控制和服务放置,以实现高效能服务覆盖和超低延迟通信,解决动态车载环境中的干扰、资源稀缺和移动性挑战。
2026-03-29 cs.NI
Optimal Cross Slice Orchestration for 5G Mobile Services
5G移动网络包含托管各种服务的能力,例如移动社交网络、多媒体交付、医疗保健、交通和公共安全。因此,设计5G网络的主要挑战是如何在单个物理网络基础设施下支持具有不同服务质量要求的不同类型的用户和应用。最近,网络切片被引入作为解决这一挑战的有前途的解决方案。网络切片允许通过使用网络虚拟化技术来匹配服务需求的可编程网络实例。然而,如何在网络切片之间有效地分配资源在文献中还没有得到很好的研究。因此,在本文中,我们首先介绍了一个模型,用于编排网络切片的基础上的服务需求和可用资源。然后,我们提出了一个马尔可夫决策过程框架来制定和确定管理5G网络的跨切片准入控制和资源分配的最佳策略。通过仿真结果,我们表明,所提出的框架和解决方案是有效的,不仅在提供切片作为一个服务的基础上的服务需求,而且在最大限度地提高供应商的收入。
2017-12-16 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
Proactive AI-and-RAN Workload Orchestration in O-RAN Architectures for 6G Networks
提出基于O-RAN的融合架构CAORA,通过NRT-RIC和E2E编排器结合SAC强化学习实现AI与RAN工作负载的主动资源编排,在真实5G流量仿真中达到近99%需求满足率并最大化资源利用率。
2025-07-12 cs.NI
An Online Orchestration Mechanism for General-Purpose Edge Computing
近年来,移动通信和云系统的快速发展极大地促进了边缘计算。通过将服务器资源推到边缘,移动服务提供商可以提供具有增强性能的内容和服务,移动网络运营商可以缓解核心网络中的拥塞。虽然边缘计算一直吸引着人们的兴趣,但目前的大多数研究都是针对特定应用的,并且缺乏从边缘云提供商(ECP)的业务角度进行分析,这些ECP为移动服务提供商和用户提供通用边缘云服务。在本文中,我们提出了一个由多个互连边缘云实现的通用边缘计算的愿景,从ECP的角度分析了业务模型,并确定了要解决的主要问题,以最大限度地提高ECP的利益。具体来说,我们正式的ECP的长期收入作为服务器的资源分配和公共数据的位置决定的物理资源量和云间的数据传输成本约束的函数。为了优化长期目标,我们提出了一个在线框架,集成了漂移加惩罚和原始对偶方法。通过理论分析和仿真,我们表明,所提出的方法在一个具有挑战性的环境中接近最优解,而无需对系统的未来知识。
2021-12-17 cs.NI
Towards a Decentralised Application-Centric Orchestration Framework in the Cloud-Edge Continuum
本文提出Swarmchestrate,一个受Swarm自组织原则启发的去中心化应用中心编排框架,解决云-边缘连续体中复杂分布式应用的端到端管理难题,初步仿真验证了其在应用部署和资源优化分配方面的潜力。
2025-04-01 cs.DC cs.NE cs.NI
A Pub/Sub SDN-Integrated Framework for IoT Traffic Orchestration
物联网(IoT)正在发展,日常使用中互联网连接设备的采用不断增长。这种增长不仅会影响网络中其他来源的流量,还会影响IoT设备和应用的通信质量要求,如服务质量(QoS)。随着动态网络管理和动态网络编程技术(如软件定义网络(SDN))的兴起,可以定制流量管理和通信质量要求,以适应利基用例和特性。我们提出了一个发布/订阅QoS感知框架(PSIOT-SDN),该框架编排物联网流量,并在物联网数据聚合器和发布/订阅消费者之间协调网络资源的分配。PSIoT框架允许使用IoT聚合器的发布/订阅编排器的功能进行边缘级QoS控制,此外,还允许通过将SDN功能与带宽分配模型相结合来进行网络级QoS控制,以进行全网IoT流量管理。该框架与SDN的集成使其能够动态地对SDN控制器启用的带宽共享做出反应,从而为物联网流量提供更好的带宽分配和更高的链路利用率。
2019-07-20 cs.DC cs.NI
A Multi-Agent Deep Reinforcement Learning Approach for RAN Resource Allocation in O-RAN
本文提出一种面向O-RAN的多智能体深度强化学习框架,利用共享gNB的本地监控信息进行无线资源分配,实验证明其能在保证公平性的同时提升资源利用效率并降低过度供应风险。
2023-07-03 cs.NI
ROMA: Resource Orchestration for Microservices-based 5G Applications
随着5G、物联网(IoT)、边缘计算和云计算技术的发展,新兴应用(AR/VR、自动驾驶、工业4.0等)可用的基础设施(计算和网络)变得相当复杂存在多个计算层(IoT设备、近边缘、远边缘、云等)。它们与不同类型的网络技术(LAN、LTE、5G、MAN、WAN等)连接。在这样的环境中部署和管理应用程序是非常具有挑战性的。在本文中,我们提出了ROMA,它在动态,异构,多层计算和网络结构中为基于微服务的5G应用程序执行资源编排。我们假设只有应用程序级别的需求是已知的,而应用程序中各个微服务的详细需求没有指定。作为我们解决方案的一部分,ROMA识别并利用各种微服务的计算和网络使用之间的耦合关系,并解决优化问题,以适当地识别每个微服务应如何部署在复杂的多层计算和网络结构中,从而最佳地满足端到端应用程序的需求。我们在视频监控和智能交通系统(ITS)领域实现了两个真实世界的5G应用。通过大量的实验,我们表明,ROMA能够节省高达90%,55%和44%的计算和高达80%,95%和75%的网络带宽的监控(监视列表)和交通应用(人和汽车检测),分别。这种改进是在满足应用程序性能要求的同时实现的,并且它优于通过忽略资源耦合关系而采用静态和过度供应的资源分配策略的替代方案。
2022-02-25 cs.NI
The Interplay of AI-and-RAN: Dynamic Resource Allocation for Converged 6G Platform
School of Electrical and Electronic Engineering, University of Leeds(利兹大学电气与电子工程学院)
本文提出一种基于O-RAN扩展NRT-RIC的融合框架,利用SAC强化学习动态分配MIG等计算资源,在保障RAN实时性的同时高效承载GenAI工作负载,仿真实现近99%的RAN请求满足率和100%的资源利用率。
2025-03-10 cs.NI
ORCHID: Fairness-Aware Orchestration in Mission-Critical Air-Ground Integrated Networks
National Chung Cheng University(中正大学);Feng Chia University(逢甲大学)
ORCHID提出一种两阶段学习框架,通过拓扑分区和重置微调机制提升多UAV编排稳定性,实现服务公平性与能效的协同优化。
2026-11-04 cs.NI
Disruption-aware Microservice Re-orchestration for Cost-efficient Multi-cloud Deployments
针对多云环境中微服务重新编排导致的服务中断和成本问题,提出多目标整数线性规划及启发式算法,集成于K8s调度器,在保证QoS的同时显著降低部署成本和服务中断。
2025-09-09 cs.NI
Graph Neural Network-Driven Deep Reinforcement Learning for Scalable RIS Allocation
TU Wien(维也纳科技大学)
本文提出一种结合图神经网络与深度强化学习的可扩展框架,通过稀疏化信道图和局部化设计,在严格预算下将RIS分配覆盖概率提升约12%,并实现线性计算复杂度。
2026-10-06 cs.NI
Orchestration of Emulator Assisted Mobile Edge Tuning for AI Foundation Models: A Multi-Agent Deep Reinforcement Learning Approach
Nanyang Technological University(南洋理工大学)
本文提出将移动边缘计算与基础模型融合,通过Emulator-Adapter架构和混合多智能体深度强化学习策略,实现去中心化场景下动态最优资源分配,兼顾计算效率与任务性能。
2023-10-26 cs.AI cs.DC cs.LG
Enhancing Automotive User Experience with Dynamic Service Orchestration for Software Defined Vehicles
本文针对软件定义车辆中动态服务编排问题,提出基于实时网络健康与资源约束的编排算法,并引入AXIL优先级概念,在保证接近最优用户体验的同时显著降低执行时间。
2024-09-30 cs.MA cs.NI
Intelligent Data-Driven Architectural Features Orchestration for Network Slicing
Universidade Federal de Viçosa (UFV)(维索萨联邦大学);Universidade Federal de Uberlândia (UFU)(乌贝兰迪亚联邦大学);Universidade do Minho(米尼奥大学);Universidade de São Paulo (USP)(圣保罗大学);Universidade Salvador (UNIFACS)(萨尔瓦多大学)
本文针对网络切片中缺乏智能特征编排的问题,提出在SFI2架构中嵌入机器学习智能体、联邦学习和数据驱动方法,并通过攻击防护案例验证其架构特征编排的有效性。
2024-01-12 cs.AI cs.LG cs.NI
Understand Your Chains: Towards Performance Profile-based Network Service Management
将资源分配给虚拟化网络功能和服务以满足服务水平协议对于NFV管理和编排系统来说是一项具有挑战性的任务。当应用敏捷开发方法(如DevOps)时,这变得更具挑战性。在这种情况下,管理和编排系统不断面临新版本的功能和服务,这使得难以决定必须向它们分配多少资源以提供预期的服务性能。该问题的一个解决方案是利用通过应用于这样的网络功能和服务的剖析技术获得的性能行为信息来支持资源分配决策。在本立场文件中,我们分析和讨论了在NFV DevOps工作流中生成此类性能行为信息所需的组件。我们还概述了研究问题,这些问题可以识别完全集成的NFV分析解决方案的开放问题和缺失部分。此外,我们引入了一种新的分析机制,该机制能够在不同的资源约束下分析虚拟化网络功能和整个网络服务链,然后将其部署在生产基础设施上。
2017-03-23 cs.NI
Semantic Revolution from Communications to Orchestration for 6G: Challenges, Enablers, and Research Directions
Oulu University(奥卢大学);Ruhr University Bochum(波鸿鲁尔大学);Sejong University(世宗大学);Futurewei Technologies(华为主导的未来通信技术公司(未来网络技术公司))
本文针对6G万物交互中的资源稀缺与语义通信知识共享难题,提出知识库管理与编排(KB-MANO)框架,融合计算网络融合与终身学习,以最小化知识管理对服务提供的影响,并展望语义通信在6G中的变革方向。
2024-06-24 cs.AI cs.DC cs.ET
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
Conflict-Aware Autonomous Resource Orchestration for 5G Edge Slicing Using Multi-Agent Systems and LLMs
Federal University of Rio Grande do Sul (UFRGS)(南里奥格兰德联邦大学);Federal University of Viçosa (UFV)(维索卡联邦大学);University of São Paulo (USP)(圣保罗大学);University of Minho (UMinho)(米尼奥大学)
该研究针对5G边缘切片的资源编排问题,提出双时间尺度架构,结合LLM与MAS的确定性拍卖机制,在真实边缘集群上验证了其可实现意图转化、资源差异化分配与需求适应。
2026-10-14 cs.DC cs.MA cs.NI
Energy Efficient Deployment and Orchestration of Computing Resources at the Network Edge: a Survey on Algorithms, Trends and Open Challenges
移动网络正变得非常耗能,并且由于通信和计算需求的激增,预计这一趋势将继续下去。多路访问边缘计算(MEC)将带来能耗服务和应用,对生态可持续性产生不可忽视的影响。在本文中,我们对现有的使边缘计算网络更加绿色的方法进行了全面的回顾,包括但不限于可再生能源的开发和上下文感知。因此,我们从充满活力的可持续发展的角度提供了MEC的最新发展,解决了计算资源的初始部署,动态(重新)分配,以及分布式和联邦学习设计。在此过程中,我们强调了这些算法的能源方面,倡导需要符合可持续发展目标(SDG)和巴黎协定的能源可持续边缘计算系统。据我们所知,这是第一个对能量收集MEC的有效部署和管理提供系统文献综述的工作,特别关注计算任务的部署,供应和调度,包括分布式边缘智能的联邦学习,使边缘网络更环保,更可持续。在论文的最后,针对所有调查主题确定了开放的研究途径和挑战。
2022-09-28 cs.DC cs.NI
Semantic-Aware LLM Orchestration for Proactive Resource Management in Predictive Digital Twin Vehicular Networks
本文提出 SP-LLM 框架,通过预测性数字孪生预测网络参数,并利用 LLM 作为认知编排器解析自然语言语义命令,实现车联网中主动的任务卸载与资源分配,显著提升了系统的可扩展性、鲁棒性和适应性。
2025-08-02 cs.DC cs.NI
Intelligible Protocol Learning for Resource Allocation in 6G O-RAN Slicing
本文提出STEP框架,结合信息瓶颈理论与DQN,使6G O-RAN切片中的智能体在运行中动态涌现通信协议,以降低切片间冲突、资源利用不足和时延。
2024-06-30 cs.NI
Dependency-Aware Dominant Resource Fairness for Multi-Tenant Multi-Resource Systems
Conservatoire National des Arts et Métiers (Cnam)(国立巴黎高等工艺学院);Sorbonne Université(索邦大学);Université Paris-Saclay(巴黎萨克雷大学);Institut Universitaire de France (IUF)(法国大学研究院)
提出依赖感知主导资源公平性(DDRF)策略,通过均衡拥塞资源的活跃主导份额,消除资源浪费,实现帕累托效率,在vRAN场景中用户满意度提升达80%,资源浪费减少达60%。
2026-06-25 cs.NI math.OC
Towards an AI/ML-driven SMO Framework in O-RAN: Scenarios, Solutions, and Challenges
本文面向 O-RAN 的 SMO 智能化需求,提出三类 ML 集成场景,并重点设计以 Non-RT RIC 为核心的集中式 ML 架构,同时分析实施挑战。
2024-09-08 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
Optimisation of Resource Allocation in Heterogeneous Wireless Networks Using Deep Reinforcement Learning
African Institute for Mathematical Sciences, South Africa(非洲数学科学研究所,南非);University of Cape Town, South Africa(开普敦大学,南非)
本文提出基于深度强化学习的近实时RAN智能控制器,通过联合优化发射功率、带宽切片和用户调度,减少能耗并提升用户公平性。
2026-04-07 cs.LG cs.NI eess.SP
Profile-based Resource Allocation for Virtualized Network Functions
Ghent University(根特大学);imec(比利时微电子研究中心)
计算和网络资源的虚拟化为部署网络服务提供了前所未有的灵活性。广泛的新兴技术允许在基于云的环境中不断增长的编排可能性。但在这种情况下,使动态云配置与确定性性能保持一致仍然具有挑战性。服务运营商必须以某种方式将服务水平协议(SLA)中的性能规范映射到虚拟化基础设施中的适当资源分配。我们建议使用VNF配置文件来缓解这个过程。这是通过分析四个示例网络功能(虚拟路由器,交换机,防火墙和缓存服务器)在不同的工作负载和资源配置下的性能来说明的。然后,我们比较了几种方法来从分析数据集导出模型。我们选择最准确的方法来进一步训练模型,该模型根据输入的工作负载和分配的资源来预测服务的性能。我们提出的方法可以提供服务运营商的建议资源分配的目标服务,在功能的目标性能和最大工作量中指定的SLA。这有助于以最佳资源量部署软件化服务,以满足SLA要求,从而避免不必要的扩展步骤。
2019-11-18 cs.LG cs.NI cs.PF
EcoMobiFog -- Design and Dynamic Optimization of a 5G Mobile-Fog-Cloud Multi-Tier Ecosystem for the Real-Time Distributed Execution of Stream Applications
新兴的5G模式将使多无线电智能手机能够运行高速率流应用。然而,由于目前的智能手机仍然资源和电池有限,5G时代为如何真正支持这些应用程序带来了新的挑战。原则上,雾和云计算范例的服务编排能力可以是向智能手机动态提供资源增强的有效手段。出于这些考虑,本文的重点是在5G支持的多层Mobile-Fog-Cloud虚拟化生态系统中移动流应用的资源和任务分配的联合和自适应优化。其目标是在最小流速率和最大计算加网络资源的硬约束下,使整个生态系统的计算加网络能量最小化。为此目的:1)我们通过明确考虑雾/云服务器的虚拟化和多核性质来对目标生态系统能量进行建模; 2)由于所产生的问题是非凸的,并且涉及连续和离散变量,因此我们将最优性保持分解为一个(连续)资源分配子问题和(离散)任务分配子问题;以及3)我们通过适当设计的一组基于梯度的自适应迭代来数值求解第一子问题,而第二子问题的求解则采用了一种特殊的基本遗传算法。最后,我们设计了Ecological Fog的主要模块,这是一个技术虚拟化平台,用于支持开发的求解器。大量的数值测试证实,所提出的解决框架的能量延迟性能通常是在百分之几的基准之一的穷举搜索为基础的解决方案。
2019-06-18 cs.NI
Virtualized Application Function Chaining: Maximizing the Wearable System Lifetime
在创新的新型智能可穿戴设备和有趣的服务平台的推动下,用户穿戴和携带的智能设备数量正在迅速增长。这导致了利用身体周围的多个设备来提供诸如混合现实之类的沉浸式环境的应用。这些应用依赖于许多不同类型的功能,如传感,通信和各种类型的处理,需要相当多的资源。因此,支持这些应用的主要挑战之一取决于提供必要功能的设备的电池寿命。电池寿命可以通过结合具有更大容量的电池和/或通过有效地利用可用资源来延长。然而,电池容量的增加并没有跟上需求,更大的电池增加了设备的重量和尺寸。因此,本文的研究重点是通过智能资源利用来提高电池的效率。我们表明,当相同的资源可用于多个设备,形成可穿戴系统的一部分,和/或在附近,它是可能的考虑他们作为一个资源池,并进一步利用它们智能地提高系统的寿命。特别地,我们将函数分配算法表示为一个混合线性规划(MILP)优化问题,并提出了一个有效的启发式解决方案。实验数据驱动的模拟结果表明,大约40-50%的系统电池寿命的改善,可以实现适当的功能分配和编排。
2018-04-02 cs.NI
Beyond Connectivity: An Open Architecture for AI-RAN Convergence in 6G
Institute for the Wireless Internet of Things, Northeastern University(无线物联网研究所,东北大学)
本文提出了一种开放式架构,用于6G中AI-RAN与电信融合,通过模块化和云原生特性支持异构AI部署,并引入AI-RAN Orchestrator和AI-RAN站点实现灵活的编排和实时处理能力。
2025-12-02 cs.AI cs.NI eess.SP
Integrated Resource Management in Software Defined Networking, Caching and Computing
最近,在网络、缓存和计算领域有重大进展。然而,这三个重要领域在现有的研究中传统上是分开处理的。在本文中,我们提出了一种新的框架,集成了网络,缓存和计算系统的方式,并使这三个资源的动态编排,以提高端到端的系统性能,满足不同的应用程序的要求。然后,我们考虑带宽,缓存和计算资源分配问题,并制定了一个联合缓存/计算策略和服务器选择问题,以最大限度地减少网络使用和能源消耗的组合成本的框架。为了最大限度地减少网络使用和能源消耗的框架中的组合成本,我们制定它作为一个联合缓存/计算策略和服务器选择问题。此外,我们解决了联合缓存/计算策略和服务器选择问题,使用穷举搜索算法。仿真结果表明,我们提出的框架显着优于传统的网络,没有在网络缓存/计算方面的网络使用和能源消耗。
2016-11-16 cs.NI
QoS-Aware Service Prediction and Orchestration in Cloud-Network Integrated Beyond 5G
Oulu University(奥卢大学)
本文针对云网融合超5G环境中的服务放置与资源分配联合优化问题,提出基于DDQL和RNN的用户行为预测方法,并结合注水算法实现低时延、高连续性的可扩展服务编排。
2023-09-18 cs.AI cs.ET cs.LG
Learning from Peers: Deep Transfer Reinforcement Learning for Joint Radio and Cache Resource Allocation in 5G RAN Slicing
网络切片是5G通信的关键技术,涵盖无线接入网(RAN)、边缘、传输和核心切片。不断发展的网络架构需要协调无线和缓存资源等多种网络资源。近年来,机器学习(ML)技术已经广泛应用于网络管理。然而,大多数现有的作品没有利用ML的知识转移能力。在本文中,我们提出了一种深度传输强化学习(DTRL)方案,用于联合无线电和缓存资源分配,以服务于5G RAN切片。首先,我们定义了一个层次结构的联合资源分配。然后,我们提出了两种DTRL算法:基于Q值的深度迁移强化学习(QDTRL)和基于动作选择的深度迁移强化学习(ADTRL)。在所提出的计划中,学习者代理利用专家代理的知识,以提高他们的表现在当前的任务。将所提出的算法与无模型探索奖励深度Q学习(EB-DQN)和基于模型的优先级比例公平性和生存时间(PPF-TTL)算法进行比较。与EB-DQN相比,我们提出的基于DTRL的方法为超可靠低延迟通信(URLLC)切片提供了21.4%的延迟,为增强型移动宽带(eMBB)切片提供了22.4%的吞吐量,同时实现了比EB-DQN更快的收敛速度。此外,相对于PPF-TTL,观察到URLLC延迟降低40.8%,eMBB吞吐量提高59.8%。
2022-09-01 cs.NI cs.SY eess.SP
Computing Power Network: A Survey
随着云计算、边缘计算和智能设备的快速发展,计算能力资源呈现出泛在部署的趋势。传统的网络体系结构由于计算能力孤岛效应而不能有效地利用这些分布式计算能力资源。为了克服这些问题并提高网络效率,提出了一种新的网络计算范例,即,计算能力网络(CPN)。计算力网络可以通过组网方式连接无处不在的异构计算力资源,实现计算力的灵活调度。在这篇综述中,我们对计算能力网络的最新研究成果进行了详尽的回顾。我们首先给出了计算能力网络的概述,包括定义,体系结构和优点。其次,对计算能力建模、信息感知与通告、资源分配、网络转发、计算能力交易平台和资源编排平台等问题进行了全面阐述。构建了计算能力网络实验平台并进行了评估。讨论了计算能力网络中的应用和用例。然后介绍了计算能力网络的关键使能技术。最后,提出了面临的挑战和未来的研究方向。
2022-11-16 cs.NI
Network Slice-based Low-Altitude Intelligent Network for Advanced Air Mobility
本文提出基于网络切片的低空智能网络(LAIN)框架,利用5G/6G切片技术动态调整通信与计算资源,通过接入配对、预评估算法和深度强化学习编排机制,解决eVTOL动态任务卸载挑战,显著提升资源分配效率并降低运营成本。
2025-01-28 cs.NI
Continuous Multi-objective Zero-touch Network Slicing via Twin Delayed DDPG and OpenAI Gym
人工智能(AI)驱动的零接触网络切片(NS)是一种新的范例,可以在多租户超5G(B5 G)网络中实现资源管理和编排(MANO)的自动化。在本文中,我们解决的问题,云RAN(C-RAN)联合切片准入控制和资源分配,首先制定它作为一个马尔可夫决策过程(MDP)。然后,我们调用一种称为双延迟深度确定性策略梯度(TD 3)的高级连续深度强化学习(DRL)方法来解决这个问题。在这个意图中,我们引入了一种多目标方法,使中央单元(CU)学习如何自主重新配置计算资源,同时最大限度地减少每个切片的延迟,能耗和虚拟网络功能(VNF)实例化成本。此外,我们使用OpenAI Gym工具包构建了一个完整的5G C-RAN网络切片环境,由于其标准化接口,可以轻松地使用不同的DRL方案进行测试。最后,我们提出了广泛的实验结果,以展示TD 3的增益以及所采用的多目标策略,实现切片准入成功率,延迟,节能和CPU利用率。
2021-01-17 cs.NI
Offline-Tuned Service-Aware TN-NTN Feeder Allocation for 6G Post-Disaster Service Resilience
Rhineland-Palatinate Technical University of Kaiserslautern-Landau(莱茵兰-普法尔茨凯泽斯劳滕-兰道工业大学);German Research Center for Artificial Intelligence (DFKI GmbH)(德国人工智能研究中心)
该研究针对6G灾后TN故障导致的服务中断问题,提出离线调优CEM的服务感知TN-NTN馈线分配策略,可显著提升应急加权网络连续性指标。
2026-10-14 cs.NI cs.SY eess.SY
Zero-touch Continuous Network Slicing Control via Scalable Actor-Critic Learning
人工智能(AI)驱动的零接触网络切片被认为是一种有前途的尖端技术,可以充分利用异构5G和超5G(B5 G)通信系统的潜力,并实现需求感知资源管理和编排(MANO)的自动化。在本文中,我们通过调用连续深度强化学习(DRL)方法,根据所提出的切片使能无小区大规模多输入多输出(mMIMO)设置来解决B5 G无线电接入网络(RAN)联合切片准入控制和资源分配问题。我们提出了一种新型的基于Actor-Critic的网络切片方法,称为优先级双延迟分布式深度确定性策略梯度(D-TD 3)}。本文通过大量的实验结果定义并证实了一种具有多目标方法的零接触网络切片方案,其中中央服务器不断学习以积累过去学到的知识来解决未来的问题并自主地重新配置计算资源,同时最大限度地减少每个切片的延迟,能耗和虚拟网络功能(VNF)实例化成本。此外,我们追求一个状态-动作回报分布学习方法与建议重放政策和奖惩机制。最后,我们提出了数值结果来展示所采用的多目标策略的收益,并验证了在实现切片准入率,延迟,能源,CPU利用率和时间效率方面的性能。
2021-01-17 cs.NI
The dichotomy of distributed and centralized control: METRO-HAUL, when control planes collide for 5G networks
自动化部署在异构基础设施(在域、技术和管理平台方面)上的5G服务的配置仍然是一项复杂的任务,但由于不断需要在网络切片上提供端到端连接,从而降低成本和服务部署时间。与此同时,此类服务越来越多地围绕互连功能进行构思,并且需要分配计算、存储和网络资源。METRO-HAUL 5G研究计划认识到自动化的需求,并致力于为服务和资源开发一个编排平台,该平台在现有方法的基础上进行扩展、集成和构建,宏观上采用传输软件定义网络原则,并利用传输SDN的可编程性和开放控制。
2019-06-20 cs.NI eess.SP
UserCentrix: An Agentic Memory-augmented AI Framework for Smart Spaces
RISE Research Institutes of Sweden(瑞典RISE研究所);ICREA Barcelona(巴塞罗那ICREA)
本文提出UserCentrix框架,通过紧急意识和意图驱动决策机制优化资源管理,提升用户体验,在边缘计算条件下实现高效意图处理与实时监控。
2026-04-06 cs.AI cs.DC cs.MA
Dynamic D2D-Assisted Federated Learning over O-RAN: Performance Analysis, MAC Scheduler, and Asymmetric User Selection
University at Buffalo-SUNY(纽约州立大学布法罗分校);Purdue University(普渡大学)
本文提出动态D2D辅助联邦学习框架,结合多粒度系统动态和O-RAN特性,解决无线网络中动态信道和用户数据集变化带来的挑战。
2025-10-25 cs.AI cs.LG cs.NI
Discovery of 6G Services and Resources in Edge-Cloud-Continuum
针对6G边缘-云连续体中的服务供给需求,本文提出融合区块链、语义网络、动态覆盖分区和学习预测的服务与资源发现架构,以实现低延迟、可扩展且接近最优的及时响应。
2024-08-08 cs.NI
Towards Scalable Wireless Federated Learning: Challenges and Solutions
ShanghaiTech University(上海科技大学);Nanjing University(南京大学);Beihang University(北京航空航天大学);Xiameng University(厦门大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文针对智能设备数据增长下无线联邦学习的可扩展需求,从网络设计和资源编排两方面分析挑战,分别提出无线技术优化与任务导向学习算法,并指出未来研究方向。
2023-10-08 cs.IT cs.LG cs.NI
Data Transfer and Network Services management for Domain Science Workflows
本文描述了一种愿景和正在进行的工作,以提升网络资源和数据传输管理到与服务访问、调度、生存周期管理和编排环境中的计算和存储相同的水平。虽然领域科学工作流通常包括主动计算资源分配和管理,但数据传输和相关联的网络资源协调并不以类似的方式处理。因此,数据传输可能会在工作流操作中引入一定程度的不确定性,并且相关的网络信息的缺乏不允许优化工作流操作或网络使用。最终结果是,领域科学工作流流程被迫将网络视为一个不透明的基础设施,他们将数据注入其中,并希望它以可接受的体验质量出现在目的地。应用程序几乎没有能力与网络交互以交换信息、协商性能参数、发现预期的性能度量或实时的接收状态/故障排除信息。开发允许应用程序工作流获得有关网络服务、功能和选项的信息的机制,达到与计算资源可能达到的程度类似的程度,是这项工作的主要动机。最初的重点是开放科学网格(OSG)/紧凑型μ子螺线管(CMS)大型强子对撞机(LHC)工作流程,基于Rucio/FTS/XRootD的数据传输以及与ESnet SENSE(Exascale端到端网络科学软件定义网络)系统的互操作。
2022-03-20 cs.NI
Slicenet: a Simple and Scalable Flow-Level Simulator for Network Slice Provisioning and Management
本文提出Slicenet,一个类似mininet的流级端到端网络切片模拟器,用于在大规模拓扑上评估资源分配与功能放置,支持策略实施、可视化及QoS、SLA等多维度分析。
2023-10-17 cs.NI
On Modeling Network Slicing Communication Resources with SARSA Optimization
Salvador University (UNIFACS)(萨尔瓦多大学(UNIFACS));University of Paris Saclay(巴黎萨克雷大学);University of Evry(埃夫里大学)
网络切片是支持5G/6G移动网络、物联网感知网络、电子医疗系统等网络动态行为以及车联网(IoV)和工业4.0等垂直行业所需的虚拟网络基础设施的组成和部署的关键推动因素。通信切片及其分配的通信资源在用于资源编排和分配、虚拟网络功能(VNF)部署和切片操作功能的切片架构中是必不可少的。通信切片提供支持切片操作、SLA保证和QoS/QoE应用要求所需的通信能力。因此,本文提出了一个网络切片的概念模型,以制定通信切片之间的通信资源共享相关的优化问题。首先,我们提出了一个网络切片的概念模型,然后我们制定了分析模型和优化问题的一些方面来解决。接下来,我们建议使用SARSA代理来解决问题并实现概念验证原型。最后,我们提出了所获得的结果,并讨论它们。
2023-01-11 cs.AI cs.NI