Joint Service Caching and Computing Resource Allocation for Edge Computing-Enabled Networks
在本文中,我们考虑了服务缓存和计算资源分配在边缘计算(EC)使能网络。本文提出了一种随机服务缓存设计方案,该方案考虑了多种延迟敏感服务和基站的服务缓存存储。然后,我们得到一个成功的服务概率(SSP)。我们还制定了一个SSP最大化问题的服务缓存分布和计算资源分配。然后,我们证明了优化问题是非凸的,并通过采用并行逐次凸逼近(SCA),开发了一种新的算法来获得SSP最大化问题的稳定点。此外,为了进一步降低算法的计算复杂性,本文还提出了一种低复杂度的算法,该算法能够在高计算能力区域内获得SSP最大化问题的近优解。最后,从数值模拟,我们表明,建议的解决方案实现更高的SSP比基线计划。此外,我们表明,近最佳的解决方案实现可靠的性能在高计算能力的区域。我们还探讨了目标延迟,BS的服务缓存大小,和EC服务器上的SSP的计算能力的影响。
2023-01-19 cs.NI
SDN enabled Information Centric Networking (ICN) as a Service prefetching mechanism for HyperText Transfer Protocol (HTTP) based services. The scalable video streaming case
HTTP在当今网络中的重要性是毋庸置疑的。作为一种增强QoS和增强可扩展性的解决方案,CDN网络已经被设计和部署。最近,已经设想了称为ICN的新范例,其将网络路由集中在内容本身而不是地址的地理附件上。软件定义网络(SDN)作为未来互联网(FI)架构的推动者,特别是ICN的推动者,已经研究了10年。我们已经提出了以信息为中心的网络即服务(ICNaaS)体系结构,以提供端到端的HTTP ICN类似的传输与HTTP网络内缓存已在本文中进行了彻底的评估。本文还提出了一种新的机制,我们命名为预取机制,以提高数据传输速率的第一个请求者,通常不能受益于以前访问相同的内容。为了评估和展示提议H.264/SVC视频流与DASH提供的可能性已经采用。
2020-05-15 cs.NI
Traffic Flow Modeling for UAV-Enabled Wireless Networks
本文研究了面向多业务的无人机无线网络中的业务流建模问题,这对于支持此类网络未来的各种应用至关重要。我们提出了一个通用的交通流模型,面向多业务的无人机使能无线网络。在此模型下,我们首先将网络服务分为三个子集:遥测,物联网(IoT)和流数据。基于帕累托分布,我们然后划分所有的无人机分为三个不同的网络使用的子组。我们进一步确定不同的网络服务的数据包的数量和总的数据大小,根据数据包到达率的9个段,其中每个段代表一个映射关系的一个子集的服务和一个子组的无人机。仿真结果表明,我们的流量模型预测的数据包的数量和数据大小可以很好地匹配这些在一个真实的场景。
2022-01-05 cs.NI
A Virtual Network Customization Framework for Multicast Services in NFV-enabled Core Networks
在软件定义网络(SDN)的支持下的网络功能虚拟化(NFV)的范例作为用于在第五代(5G)网络中定制网络服务的有前景的方法出现。在本文中,提出了一个多播服务编排框架,联合流量路由和虚拟网络功能(NF)的位置进行了研究,以适应多播服务在一个NFV使能的物理底层网络。首先,我们研究了一个联合路由和NF布局问题,一个单一的多播请求容纳在一个物理底层网络,单路径和多路径流量路由。在物理网络资源约束、流量守恒约束和NF布局规则下,联合问题被表示为最小化功能和链路提供成本的混合整数线性规划(MILP)问题;其次,我们开发了一个MILP公式,共同处理多个服务请求在物理底层网络上的静态嵌入,其中我们确定用于嵌入的多个服务的最佳组合以及它们的联合路由和布局配置,使得物理衬底的总吞吐量最大化,同时功能和链路供应成本最小化。由于所提出的问题配方是NP难的,低复杂度的启发式算法,提出了一个有效的解决方案,为单路径和多路径路由的情况。仿真结果证明了所提出的启发式算法的有效性和准确性。
2020-02-09 cs.NI
End-to-end Quantum Secured Inter-Domain 5G Service Orchestration Over Dynamically Switched Flex-Grid Optical Networks Enabled by a q-ROADM
由NFV和SDN支持的动态和灵活的光网络是支持新兴5G网络服务的动态性和带宽需求的关键技术推动因素。为了实现5G的目标,网络服务(NS)必须经常透明地部署在多个管理和技术领域。这种情况通常存在安全风险,因为典型的NS可以包括网络功能链,每个网络功能在不同的远程位置执行,并且网络基础设施内的篡改可能危及它们的通信。为了避免这种威胁,QKD已经被确定并提出作为一种未来证明的方法,它不受任何基于量子物理机制的算法密码分析的影响。QKD的成熟使得量子网络与使用电信设备的光网络共存的研发成为可能。这使得QKD成为分布式和虚拟化网络服务安全的合适候选者。在本文中,我们首次提出了一种动态量子安全光网络,用于支持通过在多个网络域上链接VNF动态创建的网络服务。这项工作包括一个新的量子ROADM,对SDN支持的光控制平面的扩展,以及对NFV编排的扩展,以实现VNF的量子感知,按需链接。实验结果验证了在共享光纤链路上单独和动态路由量子和经典数据通道的能力。此外,5G网络中VNF的量子安全链接通过使用5GUK Exchange编排平台通过q-ROADM与八个光通道同时互连四个自治5G岛进行实验演示。实验场景和结果证实了所提出的数据平面架构和控制/管理平面框架的益处。
2019-09-10 cs.NI
Cache-enabled Wireless Networks with Opportunistic Interference Alignment
缓存和干扰对齐(IA)是未来无线网络的有前途的技术。然而,大多数现有的高速缓存使能IA无线网络的工作假设的信道是不变的,这是不现实的,考虑到实际的无线环境的时变性质。在本文中,我们考虑现实的时变信道。具体而言,该信道被配制为有限状态马尔可夫信道(FSMC)。当我们考虑现实的FSMC模型时,系统的复杂性非常高。因此,本文提出了一种新的大数据强化学习方法。深度强化学习是一种高级强化学习算法,它使用深度$Q$网络来近似$Q$值-动作函数。本文使用深度强化学习来获得最优的IA用户选择策略在缓存使能的机会IA无线网络。仿真结果表明了该方案的有效性。
2017-06-27 cs.NI
Towards scalable user-deployed ultra-dense networks: Blockchain-enabled small cells as a service
中立主机小型蜂窝提供商(SCP)代表了超密集移动网络5G愿景的关键要素。然而,目前的商业模式大多集中在大型场馆的多年协议上,如体育场馆和连锁酒店。这些业务协议通过具有约束力的服务水平协议(SLA)进行管理,对于较小规模的SCP来说,SLA往往过于繁琐和昂贵。因此,中立主机模型无法充分发挥其潜力。在本文中,我们提出了一个框架,使参与的小型到中型的球员在蜂窝市场的提供商提供网络资源的移动网络运营商(MNO)。为此,我们回顾了SCP可用于中立主机部署的当前和新兴频谱和技术机会。我们还建议使用区块链智能合约作为小型SCP传统SLA的简单且具有成本效益的替代方案。为了证明这一点,我们描述了一个基于以太坊的智能合约平台的概念验证实现,用于SCP和MNO之间的尽力而为服务。我们对都柏林市中心潜在的基于智能合约的部署进行了模拟,结果表明,所考虑区域的接收信号强度将平均增加$10$ %。
2020-04-30 cs.NI
Cloud-Enabled High-Altitude Platform Systems: Challenges and Opportunities
利用高空平台系统(HAPS)等飞行网络增强地面通信是下一代无线系统(6G)的主要创新举措之一。考虑到HAPS在平流层的准静态定位,预计HAPS到地面和HAPS到空中的连接框架在数据采集和计算方面将是多产的,特别是考虑到平流层的温和天气和准恒定风速特性。本文探讨了在电信应用和服务的背景下实现云支持的HAPS所带来的机会。本文首先倡导将HAPS部署为飞行数据中心(也称为超级宏基站)的潜在物理优势。然后,本文介绍了各种云服务,可以从HAPS和这种集成可以实现的优点,如提高质量,速度和范围提供的服务。所提出的服务跨越广泛的领域,包括卫星、物联网(IoT)、自组织网络(如传感器、车辆和空中网络)、游戏和社交网络。对于每个服务,本文说明了云提供商将服务数据卸载到HAPS并使云客户能够消费服务的方法。本文进一步阐明了实现实用的云使能HAPS需要解决的挑战,主要是与高能量、处理能力、服务质量(QoS)和安全考虑有关的挑战。最后,本文讨论了该主题的一些开放性问题,即HAPS移动性和消息路由,通过区块链和机器学习实现HAPS安全性,基于云的HAPS中基于人工智能的资源分配,以及与垂直异构网络的集成。
2021-06-28 cs.NI
Transformation from 5G for Verticals Towards a 6G-enabled Internet of Verticals
5G将实现并大大加速垂直行业的数字化转型。从长远来看,这将从5G中的每个垂直连接服务发展到支持6 G的垂直互联网(6 G-IoV)的出现。在本文中,我们描述和研究了垂直行业进一步转型的支持技术,并研究了6 G-IoV,下一代云制造和制造即服务,下一代智能电网和机器人互联网(IoR)的一些例子。
2021-12-20 cs.NI
SD-AETO: Service Deployment Enabled Adaptive Edge Task Offloading in MEC
近年来,边缘计算作为未来网络的重要支柱得到了快速发展。任务卸载是边缘计算的关键部分,可以为资源受限的设备提供计算资源,以运行计算密集型应用,加快计算速度并节省能源。一个高效可行的任务卸载方案,不仅可以大幅提升用户体验质量(QoE),还可以为5G/B5 G网络、工业物联网(IIoT)、计算网络等提供有力的支撑和帮助,为了实现这些目标,提出了一种基于服务部署的自适应边缘任务卸载方案(SD-AETO),该方案着眼于能量利用率的优化,EUR)和处理延迟。在SD-AETO方案的预实现阶段,考虑到每个服务的受欢迎程度,调用服务部署方案来帮助任务卸载。利用近似部署图(AD-图)得到最优服务部署方案。在此基础上,提出了一种基于任务优先级的任务调度和队列卸载设计方法,实现了SD-AETO方案。任务优先级由对应的服务流行度和任务卸载方向生成。最后,对SD-AETO方案进行了分析,并与相关方法进行了比较,结果表明,该方案在边缘网络中的大规模任务场景下具有更高的边缘卸载率和更低的资源消耗。
2022-05-06 cs.NI
DRLD-SP: A Deep Reinforcement Learning-based Dynamic Service Placement in Edge-Enabled Internet of Vehicles
National University of Singapore(新加坡国立大学)
5G和边缘计算的发展使车联网的出现成为可能。它支持具有不同资源和服务要求的不同类型的服务。然而,有限的资源在边缘,高流动性的车辆,不断增长的需求,和动态的服务请求类型,使服务安置一个具有挑战性的任务。典型的静态放置解决方案并不有效,因为它没有考虑流量移动性和服务动态性。在车联网中处理动态服务放置是一个重要的和具有挑战性的问题,这是我们的工作在本文中的主要重点。我们提出了一个基于深度强化学习的动态服务放置(DRLD-SP)框架,其目标是最大限度地减少边缘资源使用和服务延迟,同时考虑车辆的移动性,不同的需求,以及不同类型的服务请求的动态性。我们使用SUMO和MATLAB进行仿真实验。实验结果表明,DRLD-SP方法是有效的,优于其他静态和动态布局方法。
2021-09-08 cs.LG cs.NI
Control Exchange Points: Providing QoS-enabled End-to-End Services via SDN-based Inter-domain Routing Orchestration
本文介绍了控制交换点(CXP)体系结构模型的愿景。该模型的动机是今天的域间路由系统,这使得关键的QoS约束的端到端(E2E)的网络服务难以或根本不可能提供的可扩展性和僵化。CXP在ISP网络的切片上运行,并基于基本的软件定义网络(SDN)原则构建,例如路由控制平面与数据平面的完全解耦以及随之而来的逻辑控制集中。架构模型的主要目标是提供跨域的QoS约束的e2e服务。这是通过定义ISP之间的新型业务关系来实现的,ISP通告具有特定属性的部分路径(所谓的路径集),而CXP的协调角色动态地将它们缝合在一起并提供e2e QoS。增值服务的收入从CXP的客户流向参与服务的ISP。该方法的新颖之处在于将SDN可编程性和用于域间路由的动态路径拼接技术相结合,从而将SDN的价值主张扩展到多个域。我们首先描述了与当前域间路由和对等模型的e2e服务提供相关的挑战,然后继续我们的方法的好处。随后,我们详细描述了CXP模型,并报告了初步的可行性分析。
2016-11-08 cs.NI
Towards 5G Enabled Tactile Robotic Telesurgery
机器人手术有可能提供极端和紧急的医疗保健服务,并为全球提供高度专业化的技能带来前所未有的机会。它具有重大的社会影响,被认为是触觉互联网和5G应用的吸引人的用例之一。然而,机器人手术的性能在很大程度上取决于网络性能的延迟,抖动和数据包丢失,特别是当手术系统配备了触觉反馈。这对设计可靠、安全但具有成本效益的通信解决方案提出了重大挑战。本文旨在更好地了解机器人外科手术系统的特点,以及限制因素,可能的外科手术服务和多模态传感数据的通信服务质量(QoS)要求。在此基础上,提出了一种可行的由融合的边缘和核心云实现的网络架构,并讨论了5G通信系统中的相关研究挑战,开放问题和使能技术。
2018-03-09 cs.NI
BlendMAS: A BLockchain-ENabled Decentralized Microservices Architecture for Smart Public Safety
由于物联网(IoT)的快速技术进步,通过集成异构计算设备以协作地提供公共保护服务,智能公共安全(SPS)系统已经变得可行。虽然面向服务的架构(SOA)已经被IoT和网络物理系统(CPS)采用,但是单片架构难以为基于分布式IoT的SPS系统提供可伸缩和可扩展的服务。此外,传统的安全解决方案依赖于集中式权限,这可能是性能瓶颈或单点故障。受微服务架构和区块链技术的启发,本文提出了一种基于区块链的智能公共安全分布式微服务架构(BlendMAS)。在许可区块链网络中,引入基于微服务的安全机制来保护SPS系统中的数据访问控制。安全服务的功能被解耦到单独的容器化微服务中,这些微服务使用智能合约构建,并部署在边缘和雾计算节点上。大量的实验研究表明,BlendMAS能够为基于物联网的分布式SPS系统提供分散、可扩展、安全的数据共享和访问控制。
2019-02-27 cs.NI
Distributed Attacks over Federated Reinforcement Learning-enabled Cell Sleep Control
本文研究了联邦强化学习赋能的小区休眠控制中的攻击模型,设计了搭便车、拜占庭数据投毒和后门三种攻击,并提出refined-Krum防御方案,通过安全聚合有效抵御攻击并提升系统能效。
2023-11-27 cs.NI
NFV-Enabled Service Recovery in Space-Air-Ground Integrated Networks: A Matching Game Based Approach
针对空天地一体化网络中节点故障导致的服务失效问题,本文提出基于NFV和匹配博弈的服务功能链恢复算法,以最小化总时间消耗,并通过仿真验证其性能优于基准方法约25%。
2025-02-04 cs.NI
Multi-Provider NFV Network Service Delegation via Average Reward Reinforcement Learning
在多提供商5G/6 G网络中,服务委托使管理域能够联合提供NFV网络服务。接纳控制是在没有服务请求统计分布先验知识的情况下选择合适的部署域以最大化平均利润的基础。本文从多方面分析了一种通用的服务委托联邦契约模型。首先,在已知系统动态的假设下,我们通过将接纳控制问题表示为无限时域马尔可夫决策过程(MDP)并通过动态规划求解来获得理论上的最优性能界。其次,我们应用强化学习来实际解决到达率和离开率未知的问题。由于Q学习最大化折扣奖励,我们证明它不是一个有效的解决方案,由于其对折扣因子的敏感性。然后,我们提出了平均奖励强化学习方法(R-Learning)来找到直接最大化平均利润的策略。最后,我们通过广泛的模拟和使用5Growth平台的实验来评估不同的解决方案。结果证实,所提出的R-Learning解决方案始终优于Q-Learning和贪婪策略。此外,虽然在理想的模拟环境中最多有9%的最优性差距,但它在实验评估中与MDP解决方案竞争。
2021-12-24 cs.NI
RL-Loop: Reinforcement Learning-Driven Real-Time 5G Slice Control for Connected and Autonomous Mobility Services
The University of Western Ontario(韦仕敦大学)
本文提出RL-Loop框架,通过强化学习实现实时5G网络切片中的CPU资源控制,实验表明其能有效降低CPU分配并保持服务质量。
2026-04-02 cs.NI
Selfish Cooperation Towards Low-Altitude Economy: Integrated Multi-Service Deployment with Resilient Federated Reinforcement Learning
University of Sydney(悉尼大学);Nanjing University of Posts and Telecommunications(南京邮电大学)
本文提出一种基于鲁棒联邦强化学习的解决方案,通过保证真实性拍卖机制和博弈论分析,解决低空经济中多服务提供商之间的竞争与合作问题,提升服务性能和系统鲁棒性。
2026-03-05 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
Publish/subscribe-enabled software defined networking for efficient and scalable IoT communications
- 物联网(IoT)是许多不同的使能技术的结果,诸如用于收集、处理、推断和传输数据的嵌入式系统、无线传感器网络、云计算、大数据等。整合所有这些技术需要全面和整体的研究工作,以解决这些技术带来的所有挑战,特别是从物理世界到云托管服务的感知和交付信息。在本文中,我们概述了与标准化工作,对象的移动性,网络和网关接入,QoS支持相关的最重要的问题。特别是,我们描述了一种新的物联网网络架构,集成了软件定义网络(SDN)和对象管理组的数据分发服务(DDS)中间件。拟议的架构将改善物联网系统的服务交付,并为网络带来灵活性。
2017-11-14 cs.NI
Toward Experience-Driven Traffic Management and Orchestration in Digital-Twin-Enabled 6G Networks
预计设想的6G网络将支持极高的数据率、低延迟以及由机器学习支持的全新应用。未来的6G网络需要一个新的框架,可用于操作,管理和优化其底层服务,如超可靠和低延迟通信以及万物互联。近年来,人工智能(AI)在优化和设计网络方面取得了重大成功。启用AI的业务编排可以动态地组织不同的网络架构和切片,以考虑无线通信网络的动态性质来提供体验质量。在本文中,我们提出了一个支持数字孪生的网络框架,由人工智能授权,以满足设想的6G网络的可变性和复杂性,提供智能资源管理和智能服务提供。数字孪生通过创建6G网络及其相关联的通信技术(例如,智能反射表面,太赫兹和毫米通信),计算系统(例如,云计算和雾计算)及其相关算法(例如,优化和机器学习)。然后,我们讨论和回顾了现有的支持AI的流量管理和编排技术,并强调了未来的研究方向和6G网络中的潜在解决方案。
2022-01-12 cs.NI
A Robust Client Verification in cloud enabled m-Commerce using Gaining Protocol
建议的系统突出了一种新的方法,独家验证过程中使用增益协议,以确保双方(客户端服务提供商)之间的安全性,在移动商务应用与云启用服务。所提出的系统是基于潜在的验证客户端与可信的手持设备取决于一组频繁的事件和动作进行。所提出的工作框架的设计后,收集实时的数据集从android使能的手持设备,当受到增益协议,将导致在网络中的非法客户端的恶意行为的检测。实时的实验与适用的数据集收集,这表明最好的结果,从过去2个月收集的数据识别威胁。
2012-01-20 cs.NI
Edge-computing Enabled Next Generation Wireless Networks: A Novel Approach to Provide Secure Multicast Services
智能电网是近年来电力资源、传输和消耗的最佳管理方式,其中组播服务是最重要的通信服务之一。在智能通信网格中提供组播服务面临着多种挑战,包括不同通信介质的异构性以及对可靠性、安全性和延迟的严格要求。无线技术和PLC连接是该电网中使用的两种最重要的介质,其中PLC连接非常不稳定,这使得难以提供可靠性。在这项研究中,多播数据的地理洪泛的问题已经被考虑。首先,这个问题已被建模为一个优化问题,它是用来作为一个参考模型,在评估所提出的方法。然后,根据智能电网的特点,提出了基于地理信息的MKMB和GCBT组播树生成算法。这两种方法的比较显示了形成基于核心的树与基于源的树相比的优点和缺点。这些方法的评估表明,树的成本和端到端的延迟量相比,基本算法的相对改善。在第二部分中,提供数据传输的安全性和可靠性已被考虑。基于多传输树的思想,提出了混合算法和多传输树算法。在混合算法中,目标是提供更高的安全性和可靠性,而在多算法中,目标是最小化消息传输延迟。在行为评价部分,对这两种算法在不同工况下的性能进行了研究,达到了预期的目标。
2022-02-07 cs.NI
Dynamic Video Streaming in Caching-enabled Wireless Mobile Networks
软件定义移动网络(SDMN)、网内缓存和移动边缘计算(MEC)的最新进展可能会对下一代移动网络中的视频服务产生重大影响。在本文中,我们共同考虑SDMN,在网络缓存,MEC,以提高下一代移动网络中的视频服务。以最大化视频质量的平均度量为目标,提出了一个优化问题。由于视频数据率、计算资源和流量工程(带宽提供和路径选择)的耦合,该问题在实际中变得棘手。因此,我们利用对偶分解方法将这三组变量解耦。大量的仿真进行了不同的系统配置,以显示所提出的方案的有效性。
2017-06-29 cs.NI
Analytics-as-a-Service in a Multi-Cloud Environment through Semantically enabled Hierarchical Data Processing
部署了大量的云中间件平台和工具来支持各种物联网(IoT)数据分析任务。通常的做法是,这些云平台仅由其所有者用于实现其主要和预定义的目标,其中原始和处理后的数据仅由他们使用。然而,允许第三方访问处理后的数据以实现自己的目标,可以显著提高集成、合作,还可以导致数据的创新使用。多云的隐私感知环境促进了这种数据访问,允许不同方共享处理后的数据,以共同减少计算资源消耗。然而,在涉及异构数据和分析即服务提供商的此类环境中存在互操作性问题。这两者都缺乏-可以支持这种多样化的多云环境的架构蓝图,以及显示这种架构可行性的相应实证研究。在本文中,我们概述了一种创新的分层数据处理架构,该架构在多云环境中利用物联网堆栈的所有级别的语义。我们通过使用OpenIoT作为中间件,Google Cloud和Microsoft Azure作为云环境构建基于此架构的系统来证明这种架构的可行性。评估表明,该系统是可扩展的,并没有显着的限制或开销。
2016-06-25 cs.NI
SFC-Aware Online Aggregated Data-Link Orchestration for SDN/NFV-Enabled SAGINs
University of Science and Technology Beijing(北京科技大学)
针对支持SDN/NFV的SAGIN,提出MRSAR方法进行感知SFC的在线聚合数据链路编排,其性能接近Gurobi-MILP,优于贪心基线,实现了良好的质量-复杂度权衡。
2026-08-28 cs.NI
Robust Network Function Virtualization
网络功能虚拟化(NFV)实现了按需网络功能(NF)部署,从而提供敏捷和动态的网络服务。通过量化所有需求的所有NF之间的最小可靠性的评估度量,服务提供商和运营商可以更好地促进灵活的NF服务恢复和迁移,从而提供更高的服务可靠性。在本文中,我们提出了评估指标的NFV可靠性和解决方案的方法来解决鲁棒NFV下的随机NF启用节点故障(S)。我们演示了如何构建一个辅助的NF启用网络及其映射到物理基板网络。利用构造的NF使能网络,我们开发了伪多项式算法来解决鲁棒NF和SFC $s-t$路径问题-鲁棒NFV的子问题。我们还提出了鲁棒NFV的近似算法与SFC-Fork作为NF转发图。此外,我们提出了精确的解决方案,通过混合整数线性规划(MILP)的一般设置下。计算结果表明,我们提出的解决方案的方法是能够管理强大的NFV在一个大规模的网络。
2019-12-10 cs.NI
Energy-Efficient RSMA-enabled Low-altitude MEC Optimization Via Generative AI-enhanced Deep Reinforcement Learning
本文针对低空MEC系统上行干扰问题,提出生成式AI增强深度强化学习框架,结合RSMA优化无人机轨迹、解码顺序、卸载决策与资源分配,以提升能量效率。
2025-07-17 cs.NI
Edge-enabled V2X Service Placement for Intelligent Transportation Systems
作为未来智能交通系统(ITS)的一部分,车联网(V2X)通信和服务已经引起了不同利益相关者的极大兴趣。这是因为它提供了许多好处。然而,这些服务中的许多具有严格的性能要求,特别是在延迟/等待时间方面。多路访问/移动边缘计算(MEC)已被提出作为此类服务的潜在解决方案,使它们更接近车辆。然而,这带来了一系列新的挑战,例如在哪里放置这些V2X服务,特别是考虑到边缘节点可用的计算资源有限。为此,这项工作将混合核心/边缘环境中的最佳V2X服务放置(OVSP)问题表述为二进制整数线性规划问题。据我们所知,以前的工作没有考虑V2X服务放置问题,同时考虑节点处的计算资源可用性。此外,一个低复杂度的贪婪为基础的启发式算法命名为“贪婪V2X服务布局算法”(G-VSPA)的开发,以解决这个问题。仿真结果表明,OVSP模型成功地保证和维护了所有不同V2X服务的QoS要求。此外,据观察,所提出的G-VSPA算法实现接近最佳性能,同时具有较低的复杂度。
2020-01-13 cs.NI eess.SP
AI-enabled Future Wireless Networks: Challenges, Opportunities and Open Issues
大量苛刻的服务和用例要求对未来无线网络资源的管理进行革命性的转变。实际上,当应用的严格服务质量需求与网络的增加的复杂性相结合时,传统的网络管理例程在6G中将变得不可行。人工智能(AI)正在成为从下到上协调网络资源的基本推动力。支持AI的无线接入和支持AI的核心将为6G的自动化配置开辟新的机会。另一方面,AI支持的网络中有许多挑战需要解决。在不确定性以及网络的高度动态的信道、流量和移动性条件下,机器学习算法的长收敛时间、存储器复杂性和复杂行为促成了这些挑战。本文综述了利用机器学习技术提高无线网络性能的最新研究进展。此外,我们还确定了挑战和开放的问题,为研究人员提供了一个路线图。
2021-03-08 cs.NI
Reinforcement Learning-Enabled Dynamic Code Assignment for Ultra-Dense IoT Networks: A NOMA-Based Approach to Massive Device Connectivity
Indian Institute of Technology Guwahati(印度理工学院古瓦哈提分校)
本文提出基于强化学习的动态Gold码分配方法,用于提升超密集物联网网络的吞吐量和能效,但指出其在工业环境中的可靠性不足,需结合功率控制或重传机制。
2026-01-11 cs.NI
Orchestrating Service Migration for Low Power MEC-Enabled IoT Devices
本文研究如何利用Kubernetes和S1切换为低功耗MEC物联网设备实现反应式服务迁移,通过WebRTC视频后处理场景验证其在降低端到端时延和UE功耗方面的优势。
2019-05-30 cs.NI cs.SE
A Multi-Agent Reinforcement Learning Scheme for SFC Placement in Edge Computing Networks
针对边缘计算网络中资源受限的SFC部署问题,提出一种多智能体强化学习方案,通过智能体协同决策路径选择、VNF配置与部署,使边缘服务提供商利润较启发式方案提升12%。
2024-08-27 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
Cost-Efficient Design for 5G-Enabled MEC Servers under Uncertain User Demands
针对5G MEC服务器在不确定用户需求下的容量规划、任务卸载与资源分配问题,本文构建两阶段随机MILP模型,并提出ABD算法以在大规模网络中快速求得最优解。
2025-06-16 cs.NI
Vehicular Edge Computing via Deep Reinforcement Learning
智能汽车构成互联网汽车,可以执行各种智能服务。虽然车辆的计算能力有限,但多种类型的边缘计算节点为车辆服务提供了异构的资源,在将复杂的服务卸载到车辆边缘计算节点时,需要考虑多种因素,卸载决策工作主要是将决策归结为具有单个或多个目标函数和约束条件的资源调度问题,并探索定制的调度算法。然而,卸载服务中的多个数据依赖性任务是一个困难的决定,因为最佳解决方案必须了解资源需求、接入网络、用户移动性,以及重要的数据依赖性。受机器学习最新研究成果的启发,提出了一种基于知识驱动的车辆服务卸载决策框架,直接从环境中获取最优策略。我们将服务中多任务的卸载决策制定为长期规划问题,并探索最近的深度强化学习以获得最优解。它考虑了未来的数据依赖性的后续任务时,从学习卸载知识的当前任务的决策。此外,该框架支持在强大的边缘计算节点上进行预训练,并在执行车辆服务时持续在线学习,从而能够适应环境变化并学习事后明智的策略。仿真结果表明,KD业务卸载决策收敛速度快,适应性强,性能优于贪婪卸载决策算法。
2020-02-11 cs.NI
Heterogeneous Services Provisioning in Small Cell Networks with Cache and Mobile Edge Computing
在支持全双工(FD)的小型小区网络的领域中,在考虑高速缓存和移动边缘通信(MEC)方面已经进行了有限的工作。在本文中,一个虚拟的FD使能的小小区网络与缓存和MEC的两个异构服务,高数据速率服务和计算敏感的服务。在我们提出的方案中,内容缓存和FD通信紧密结合,提供高数据速率的服务,而无需回程资源的成本。通过计算卸载来保证用户的时延需求。然后,我们制定了一个虚拟的资源分配问题,其中用户关联,功率控制,缓存和计算卸载策略和资源分配共同考虑。由于原问题是一个混合的组合问题,必要的变量松弛和重新制定进行原问题转化为一个凸问题。采用交替方向乘子法(ADMM)算法求解最优解。最后,在不同的系统配置下进行了大量的仿真,以验证所提出的方案的有效性。
2017-06-29 cs.NI
Enhancing QOS and QOE in IMS enabled next generation networks
管理网络复杂性,容纳更多用户,改善覆盖范围以支持数据服务(例如电子邮件、视频和音乐下载),跟上快速变化的技术,并从现有网络中实现最大价值-同时降低CapEX和OpEX,确保网络的服务质量(QoS)和用户的体验质量(QoE)。这些只是移动服务提供商所面临的一些紧迫的商业问题,概括起来就是“用更少的钱实现更多的目标”。“网络和应用层优化技术的最终目标是确保最终用户感知的QoS。下一代网络(NGN)是一种成熟的电信和面向互联网的机制的复合环境,已被普遍认为是未来的电信环境。然而,NGN环境的性质提出了在传统环境中不存在的关于质量保证的若干复杂问题(例如,多网络、多供应商和多运营商基于IP的电信环境、分布式智能、第三方供应、固定无线和移动接入等)。在这篇研究论文中,一个服务意识到基于政策的方法来NGN质量保证,同时考虑到感知质量的经验和technologydependent服务质量问题。讨论了各自的程序、实体、机制和概况。所提出的方法的目的是在研究,开发和讨论追求的多媒体NGN为基础的通信的质量的端到端的可控性在一个环境中,这是最好的努力,在其性质和促进最终用户的接入不可知性,服务敏捷性,和全球移动性。
2010-08-11 cs.NI
An Actor-Critic Reinforcement Learning Method for Computation Offloading with Delay Constraints in Mobile Edge Computing
在本文中,我们考虑了一个移动边缘计算系统,云服务器和边缘服务器协同提供计算服务。移动边缘计算既可以减少服务延迟,又可以减轻核心网的负载。我们将不同优先级服务的平均延迟约束下的系统平均收益最大化问题建模为一个约束半马尔可夫决策过程(SMDP)。我们提出了一个行动者-评论家算法的资格痕迹,以解决有约束的SMDP。利用神经网络对策略参数和状态值函数的参数进行训练,不断提高系统性能。
2019-01-30 cs.NI
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
Cache-Enabled Dynamic Rate Allocation via Deep Self-Transfer Reinforcement Learning
缓存和速率分配是支持无线网络视频流传输的两种很有前途的方法。然而,现有的速率分配设计没有充分利用这两种方法的优点。本文研究了缓存使能的QoE驱动的视频速率分配问题。建立了该问题的数学模型,指出传统的动态规划难以解决该问题。然后我们提出了一种深度强化学习方法来解决这个问题。在此基础上,提出了一种深度Q-学习算法,并通过特殊的知识转移过程来寻找有效的分配策略。仿真结果表明,该方案能够有效地保持移动用户在小小区间移动时的高质量用户体验。我们还研究了关键参数的配置对算法性能的影响。
2018-03-30 cs.MM cs.NI
Blockchain-Enabled NextGen Service Architecture for Mobile Internet Offload
全球不同代移动蜂窝网络的融合为最终用户带来了不同的数据速度体验。目前,对于一个移动网络运营商(MNO)的订户使用WiFi提供商的服务,没有适当的定义机制。蜂窝和数据服务提供商也没有标准化的程序来安全地相互交互,并允许他们的订户在现收现付的基础上使用第三方服务。本文提出了一个基于区块链的卸载框架,允许移动运营商的用户暂时使用另一个MNO或WiFi提供商的高速网络。智能合约允许各种实体,如MNO,经纪人和WiFi提供商自动执行相互协议,以安全和受控的方式利用第三方基础设施。为了测试所提出的框架,用户从3G/4G/4G-LTE/5G网络卸载到固定宽带WiFi网络,并对结果进行分析。卸载框架使用ns-3网络模拟器实现,以太坊区块链智能合约功能用于结算发票。
2021-04-17 cs.CR cs.NI
UAV-Enabled Wireless Networks for Integrated Sensing and Learning-Oriented Communication
本文研究无人机使能的全双工无线网络,通过收敛性有保证的迭代算法联合优化上行时间分配、轨迹和功率,在保证感知质量的同时最大化边缘学习性能,并揭示感知与学习之间的关键权衡。
2024-08-31 cs.NI
Multi-Agent Deep Reinforcement Learning Based Resource Management in SWIPT Enabled Cellular Networks with H2H/M2M Co-Existence
机器对机器(M2M)通信在发展物联网(IoT)中至关重要。众所周知,蜂窝网络已被认为是M2M通信的主要基础设施,为了在蜂窝网络上部署M2M通信,存在要解决的若干关键问题。值得注意的是,M2M流量的快速增长显著增加了能耗,并且降低了现有人对人(H2 H)流量的性能。可持续运行技术和资源管理是解决这些问题的有效途径。在本文中,我们研究了H2 H/M2M共存的蜂窝网络中的资源管理问题。首先,考虑到机器类型通信设备(MTCD)的能量受限性质,我们提出了一种新的网络模型,通过同时无线信息和功率传输(SWIPT),使MTCD具有同时执行能量收集(EH)和信息解码的能力。考虑到物联网设备的不同特性,我们将MTCD细分为关键和可容忍类型,进一步将资源管理问题制定为各种服务质量(QoS)约束下的能源效率(EE)最大化问题。然后,我们开发了一个基于多智能体深度强化学习(DRL)的方案来解决这个问题。它提供了最佳的频谱,发射功率和功率分配(PS)比分配策略,以及在设计的基于行为跟踪的状态空间和公共奖励函数下的有效模型训练。最后,我们验证了一个合理的训练机制,多个M2M代理成功地协同工作,以分布式的方式,导致网络性能优于其他智能方法的收敛速度和满足EE和QoS的要求。
2022-12-29 cs.NI
Smart Jamming Attack and Mitigation on Deep Transfer Reinforcement Learning Enabled Resource Allocation for Network Slicing
本文针对DTRL赋能的网络切片场景,揭示了DRL智能干扰攻击的风险,提出基于DRL的干扰误导防御机制,可有效提升受攻击时的网络吞吐量并降低延迟。
2024-10-07 cs.NI eess.SP
Software Enabled Security Architecture and Mechanisms for Securing 5G Network Services
5G网络系统正在发展,具有复杂的网络基础设施。在这一领域有大量的工作集中在满足5G网络的严格服务要求。在此背景下,安全要求发挥着至关重要的作用,因为5G网络可以支持医疗保健服务、金融和关键基础设施等一系列服务。3GPP和ETSI一直在为5G网络开发安全框架。我们在5G安全方面的工作一直专注于安全架构和机制的设计,以实现安全和可信的端到端服务的动态建立,以及主动检测和减轻虚拟化网络基础设施中安全攻击的机制的开发。本文的重点是后者,即设施和机制,并提供设施和机制,以检测和减轻特定的安全攻击的安全体系结构的设计。我们使用软件定义网络(SDN)和网络功能虚拟化(NFV)技术开发并实施了安全架构的简化版本。在这种架构中开发的特定安全功能可以直接集成到5G核心网络设施中,从而提高其安全性。我们描述了安全架构的设计和实现,并演示了它如何有效地减轻特定类型的攻击。
2020-06-27 cs.CR cs.NI
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 Overview of Machine Learning-Enabled Optimization for Reconfigurable Intelligent Surfaces-Aided 6G Networks: From Reinforcement Learning to Large Language Models
School of Computer Science, McGill University(麦吉尔大学计算机科学学院)
本文综述了RIS辅助6G网络中基于机器学习的优化方法,重点梳理各类强化学习技术,进一步探讨大语言模型与强化学习结合的优势,并指出未来挑战与方向。
2024-09-17 cs.LG cs.NI cs.SY
SLA-Aware Multiple Migration Planning and Scheduling in SDN-NFV-enabled Clouds
在支持软件定义网络(SDN)的云数据中心中,实时迁移是用于云服务中的虚拟机(VM)和服务功能链(SFC)中的虚拟网络功能(VNF)的重新分配的关键方法。使用实时迁移方法,云提供商可以在不中断用户服务的情况下解决其动态资源管理和容错目标。然而,在云数据中心中,以任意顺序执行多个实时迁移可能导致服务降级。因此,有效的迁移规划对于减少实时迁移开销的影响至关重要。此外,为了防止服务质量(QoS)降级和违反服务水平协议(SLA),有必要为具有各种紧急性的不同实时迁移请求设置优先级。在本文中,我们提出了SLARQs,一组算法,组成的最后期限感知的多迁移分组算法和在线迁移调度,以确定VM/VNF迁移的顺序。实验结果表明,该方法在合理的算法运行时间下,可以有效地减少截止期错过次数,并在总迁移时间、平均执行时间、停机时间和传输数据量等方面与逐个调度和两种最先进的算法相比,具有良好的迁移性能.我们还评估和分析多迁移规划和调度的QoS和能源消耗的影响。
2021-01-24 cs.DC cs.NI
Hierarchical Soft Slicing to Meet Multi-Dimensional QoS Demand in Cache-Enabled Vehicular Networks
车载网络需要支持具有多维服务质量(QoS)要求的多种内容应用,而传统的一刀切的网络管理方法无法实现这一点。在本文中,提出了一个面向服务的分层软切片框架的缓存使能的车辆网络,其中每个切片支持一个服务和资源是逻辑上隔离,但机会主义地重用,以利用复用增益。所提出的框架的性能进行了研究,在分析的方式考虑两个典型的道路上的内容服务,即,时间关键的驾驶相关上下文信息服务(CIS)和带宽消耗的信息娱乐服务(IS)。构建两个网络切片以分别支持CIS和IS,其中资源在切片内和切片间级别上都是机会性重用的。具体地,IS切片的吞吐量、内容新鲜度(即,从理论上分析了CIS切片的复用增益和延迟性能,从而得到了软切片的复用增益。在OMNeT++和MATLAB平台上进行了大量的仿真,以验证分析结果。仿真结果表明,该方法在保证CIS内容新鲜度和服务延迟不变的情况下,可以将IS吞吐量提高30%。
2019-12-24 cs.IT cs.NI math.IT
Reinforcement Learning-based Dynamic Service Placement in Vehicular Networks
National University of Singapore(新加坡国立大学)
随着5G和移动边缘计算等技术的出现,车辆网络中的车辆可以获得不同资源和服务需求的不同类型服务,而不同类型服务请求中的交通移动模式和动态变化的复杂性日益增加,使得服务部署成为一项具有挑战性的任务。典型的静态放置解决方案并不有效,因为它没有考虑流量移动性和服务动态性。在本文中,我们提出了一个基于强化学习的动态(RL-Dynamic)服务放置框架,以找到最佳的服务放置在边缘服务器,同时考虑车辆的移动性和动态的请求不同类型的服务。我们使用SUMO和MATLAB进行仿真实验。在我们的学习框架中,对于决策模块,我们考虑了两个备选目标函数-最小化延迟和最小化边缘服务器利用率。我们开发了一个ILP为基础的问题制定的两个目标函数。实验结果表明:1)与静态服务放置相比,基于RL的动态服务放置实现了边缘服务器资源的公平利用和较低的服务延迟; 2)与延迟优化放置相比,服务器利用率优化放置更有效地利用了资源,在边缘服务器利用率较低的情况下实现了较高的公平性。
2021-06-01 cs.LG cs.NI
MEC-enabled Energy Cooperation for Sustainable 5G Networks Exploiting the Location Service API
无线数据流量的大幅增长以及需要超低延迟的延迟敏感应用/服务的出现导致了称为多接入边缘计算(MEC)的新的移动网络(MN)设计范例。在这种情况下,基站(BS)被赋予计算能力,并且它们被密集地部署以增加网络覆盖并向移动用户提供高吞吐量。这些发展需要能源的自我可持续性,以尽量减少向大气中的碳排放和对电网的依赖。作为解决方案,我们提倡整合能量收集(EH)系统,例如,太阳能电池板或风力涡轮机(连同能量存储设备),进入未来的BS和边缘计算系统(即,MEC服务器)。然而,由于覆盖区域内的业务负载和收集的能量变化,存储的能量水平也将变化。为了补偿网络内的绿色能量不平衡,可以通过托管在MEC平台中的能量交易应用来实现能量协作(传输),并且能量分组通过电力分组网格(DC电力线和交换机)从源BS到能量不足BS。在本文中,我们使用基于李雅普诺夫漂移和惩罚优化定理(名为李雅普诺夫)的在线算法联合执行能源分配和能源路由,以实现能源合作,并利用MEC位置服务(LS)应用程序可编程接口(API)。数值结果表明,在正常太阳辐照度下,李雅普诺夫算法能够提供足够的能量,而不受控制参数的影响
2019-11-24 cs.NI eess.SP
Communication and Computation O-RAN Resource Slicing for URLLC Services Using Deep Reinforcement Learning
未来超5G/6 G网络向服务感知网络的演进基于网络切片技术。通过网络切片,通信服务提供商寻求满足垂直行业的所有要求,包括超可靠低延迟通信(URLLC)服务。此外,开放式无线电接入网络(O-RAN)架构通过将更多可编程性引入RAN为灵活共享网络资源铺平了道路。RAN切片是端到端网络切片的重要组成部分,因为它确保了通信和计算资源的有效共享。然而,由于URLLC服务的严格要求和RAN环境的动态性,RAN切片具有挑战性。在这篇文章中,我们提出了一种基于O-RAN架构的两级RAN切片方法,用于在URLLC终端设备之间分配通信和计算RAN资源。针对每个RAN切片层次,将资源切片问题建模为单Agent马尔可夫决策过程,并设计了一种深度强化学习算法来求解,仿真结果表明了该方法在满足期望的服务质量要求方面的有效性.
2022-02-13 cs.NI eess.SP