Learn to Slice, Slice to Learn: Unveiling Online Optimization and Reinforcement Learning for Slicing AI Services
本文提出整合“学会切片”与“切片以学习”概念,通过智能切片代理(EXP3与DQN)自动化优化AI服务切片,并实验比较两者优劣,推动零接触网络发展。
2024-11-06 cs.NI
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
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
Slicing for AI: An Online Learning Framework for Network Slicing Supporting AI Services
College of Engineering, Qatar University(卡塔尔大学工程学院);College of Electrical Engineering, Mathematics, and Computer Science, TU Delft(代尔夫特理工大学电气工程、数学与计算机科学学院)
本文针对6G网络中AI服务的网络切片问题,提出在线学习框架优化资源分配,平衡准确性、延迟和成本等KPI,通过减少决策空间加速学习,实验证明能高效收敛到最优决策。
2024-10-20 cs.LG cs.NI
OnSlicing: Online End-to-End Network Slicing with Reinforcement Learning
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);New Jersey Institute of Technology(新泽西理工学院)
网络切片允许移动网络运营商虚拟化基础设施并提供定制切片,以支持具有异构需求的各种用例。在线深度强化学习(DRL)在解决网络问题和消除模拟与现实的差异方面显示出很大的潜力。然而,使用在线DRL优化跨域资源是具有挑战性的,因为DRL的随机探索违反了切片的服务水平协议(SLA)和基础设施的资源约束。在本文中,我们提出了OnSlicing,一个在线的端到端的网络切片系统,以实现最小的资源使用,同时满足切片的SLA。OnSlicing允许对每个切片进行个性化学习,并通过使用一种新的约束感知策略更新方法和主动基线切换机制来维护其SLA。OnSlicing通过使用切片中的动作修改和基础设施中的参数协调的独特设计来遵守基础设施的资源约束。OnSlicing通过离线模仿基于规则的解决方案,进一步缓解了早期学习阶段在线学习的不良性能。此外,我们设计了四个新的域管理器,使动态资源配置在无线接入,传输,核心和边缘网络,分别在亚秒的时间尺度。我们在基于OpenAirInterface设计的端到端切片测试平台上实现了OnSlicing,该测试平台具有4G LTE和5G NR,OpenDayLight SDN平台和OpenAir-CN核心网络。实验结果表明,OnSlicing实现了61.3%的使用减少相比,基于规则的解决方案,并保持在整个在线学习阶段几乎为零违规(0.06%)。随着在线学习的融合,与最先进的在线…
2021-11-02 cs.LG 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
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
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
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
From Earth to Space: A First Deployment of 5G Core Network on Satellite
本研究首次在真实卫星上部署轻量级5G核心网络,验证了其星载网络功能(包括注册和会话建立)的可行性,为星地融合网络的发展提供了重要技术支撑。
2022-10-11 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
Multi-objective Optimization of Space-Air-Ground Integrated Network Slicing Relying on a Pair of Central and Distributed Learning Algorithms
本文针对天地一体化网络中的高吞吐量、低时延和广覆盖三类RAN切片,提出集中式与分布式相结合的CDMADDPG算法,联合优化吞吐量、时延和覆盖面积,仿真表明其逼近Pareto最优并优于基准方案。
2023-09-22 cs.NI eess.SP
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
Quantum-Assisted Online Task Offloading and Resource Allocation in MEC-Enabled Satellite-Aerial-Terrestrial Integrated Networks
本文研究星地空一体化网络中的在线任务卸载与资源分配,提出基于Lyapunov的在线控制算法分解随机优化问题,并设计混合量子-经典广义Benders分解算法高效求解单时隙混合整数非线性规划,以最小化服务延迟。
2024-12-20 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
Online Convex Optimization for On-Board Routing in High-Throughput Satellites
Polytechnique Montréal(蒙特利尔高等学院)
本文提出基于在线凸优化的模型预测控制方法,用于高吞吐量卫星的实时数据包路由优化,有效减少数据包丢失并支持低开销的实时重路由。
2026-01-27 cs.NI eess.SP
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
Orbit-Aware Split Learning: Optimizing LEO Satellite Networks for Distributed Online Learning
本文提出一种利用LEO卫星周期性运动的轨道感知拆分学习架构,通过在卫星与地面终端间拆分模型并周期性传递,优化资源分配以最小化能耗,实现了更具扩展性和能效的复杂模型分布式在线训练。
2025-02-26 cs.NI eess.SP
The Potential of LEO Satellites in 6G Space-Air-Ground Enabled Access Networks
本文探讨了LEO卫星在6G空天地一体化接入网络中的潜力,分析了其特性与角色,并引入MEC和网络功能虚拟化等技术增强接入服务能力,同时提供了验证用例及未来研究方向。
2023-07-01 cs.NI eess.SP
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
Quality of Service-Constrained Online Routing in High Throughput Satellites
本文针对高通量卫星内部路由问题,提出了一种基于模型预测控制的在线最优流分配与调度方法,通过自适应管理优先级队列和流交换最小化丢包,维持服务质量,性能接近事后最优。
2024-05-31 cs.NI eess.SP
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
Revolutionizing Future Connectivity: A Contemporary Survey on AI-empowered Satellite-based Non-Terrestrial Networks in 6G
Virginia Tech(弗吉尼亚理工大学)
本文探讨了AI在6G非地面网络中的应用,通过分析卫星网络的挑战,提出利用AI解决任务卸载、网络路由和网络切片等关键问题。
2026-02-23 cs.NI eess.SP
Traffic-Aware Domain Partitioning and Load-Balanced Inter-Domain Routing for LEO Satellite Networks
Chongqing University of Posts and Telecommunications(重庆邮电大学)
本文提出DTAR方法,通过多目标NSGA-II算法生成领域划分并结合图注意力网络和PPO代理,实现低轨卫星网络中跨领域路由的负载均衡和可靠性提升。
2026-04-14 cs.NI
Non-Terrestrial Networking for 6G: Evolution, Opportunities, and Future Directions
本文综述6G演进中LEO卫星NTN的资源、移动性与切片管理技术,分析波束赋形、切换和星间传输挑战,并指出未来研究方向。
2024-12-01 cs.IT cs.NI cs.SY
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
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
Multi-Objective Provisioning of Network Slices using Deep Reinforcement Learning
King’s College London(伦敦国王学院);Aalborg University(奥尔堡大学)
网络切片(NS)是下一代网络中有效实现多样化网络应用的关键。然而,复杂的服务质量(QoS)要求和网络服务中的多样异构性使得网络切片供应(NSP)优化需要大量计算时间。传统的优化方法难以满足网络应用的低延迟和高可靠性要求。为此,我们将实时NSP建模为在线网络切片配置(ONSP)问题。具体来说,我们制定的ONSP问题作为一个在线多目标规划优化(MOIPO)问题。然后,我们近似的MOIPO问题的解决方案,通过应用近端策略优化(PPO)方法的交通需求预测。我们的仿真结果表明,所提出的方法相比,国家的最先进的MOIPO解决方案具有较低的SLA违规率和网络运营成本的有效性。
2022-08-14 cs.LG cs.NI
Aidos: A Hybrid Optimization Algorithm for Beam Hopping Scheduling in NGSO Mega-Constellations
School of Computer Science, Fudan University(复旦大学计算机科学技术学院);Institute of Space Internet, Fudan University(复旦大学空间互联网研究院)
针对NGSO巨型星座中波束跳变调度问题,提出Aidos混合优化算法,结合流量感知随机密钥编码和滑动窗口Beta重采样策略,在79.2%吞吐量提升和99.45%延迟降低的同时,将计算时间降至9.3秒,实现在轨实时重规划。
2026-06-15 cs.NI
SCORAS-MoE: Joint Compression and Resource-Adaptive Deployment of MoE-VLMs in LEO Satellite Networks
University of Science and Technology of China(中国科学技术大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院)
SCORAS-MoE提出联合压缩与部署框架,通过扰动感知秩分配和在线调度,在LEO卫星网络中高效部署MoE-VLM,提升精度并加速调度。
2026-09-30 cs.NI
A Communication Satellite Servises Based Decentralized Network Protocol
本文提出基于通信卫星服务的去中心化网络协议Space Network Protocol,通过PoD、PoF和PoM机制结合零知识证明与多方密码学计算,保障卫星通信服务的公平透明与标准化,为分布式网络服务建模提供技术支持。
2024-06-26 cs.CR cs.DC cs.NI
Enhancing Throughput for TTEthernet via Co-optimizing Routing and Scheduling: An Online Time-Varying Graph-based Method
本文针对TTEthernet在线路由与调度问题,提出基于时隙扩展图(TSEG)的协同优化方法,将调度转化为路由问题,在比ILP求解器快400倍以上的同时,将成功调度流数量提升超过18%。
2024-01-12 cs.NI
Design and Optimization of Aerial-Aided Multi-Access Edge Computing towards 6G
网络覆盖的普遍性是5G的主要特征之一,预计将在6 G中扩展到计算领域。为了在通信和计算中提供这种普遍存在的整体方法,可以预见卫星、空中和地面网络的整合。特别是,诸如机上娱乐和连接服务(IFECS)和支持SDN的卫星等应用数量的增加使网络管理更具挑战性。此外,由于严格的服务质量(QoS)要求,边缘计算对于这些应用的重要性增加。在这里,可以通过将航空网络的组件(如飞机)视为潜在的多访问边缘计算(MEC)节点来提高网络性能。因此,我们提出了一种空中辅助多访问边缘计算(AA-MEC)架构,该架构为空中计算资源和基于互联网的服务的优化管理提供了一个框架。此外,我们制定了优化问题,以最大限度地减少两个用例的网络延迟,即为天空中的其他飞机提供IFECS和为从卫星卸载AI/ML任务提供服务。由于卫星和空中网络的动态性质,我们提出了一个可重新配置的优化。对于转换网络,我们不断地为每个应用识别最佳MEC节点和到目的MEC节点的最佳路径。总之,我们的研究结果表明,使用AA-MEC将网络延迟性能提高了10.43%,而传统的方法仅使用地面MEC节点用于延迟关键型应用,如在线游戏。此外,在将我们提出的动态方法与静态方法进行比较时,我们记录了IFECS的流延迟至少减少6.7%和计算卸载减少56.03%的好处。
2022-06-29 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
Active RIS-Empowered Covert Satellite-Terrestrial Communications
College of Computer Science and Technology, Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University(吉林大学计算机科学与技术学院、教育部符号计算与知识工程重点实验室);Auburn University(奥本大学);School of Electrical and Computer Engineering, University of Sydney(悉尼大学电气与计算机工程学院);Graduate School of Information Sciences, Tohoku University(东北大学情报科学研究院)
提出利用空中主动透射可重构智能表面(AAT-RIS)辅助卫星-地面隐蔽通信,通过联合优化轨迹和主动波束成形,在满足隐蔽约束下最大化用户公平信道容量,并设计生成式确定性策略梯度(GDPG)算法求解。
2026-06-23 cs.IT cs.NI eess.SP