Yapay Zekaya Dayalı 5G Ağ Kesit Yönetim Teknolojisi Araştırması
5G çağında, telekomünikasyon hizmetleri birden fazla senaryo, farklılaşma ve dinamik talep değişiklikleri ile karakterize edilir.Ağ dilimleme, 5G'yi mümkün kılan en önemli teknolojilerden biridir. Mevcut fiziksel ağ, bağımsız bir iş mantığı ağı oluşturmak için iş mantığına bölünmüştür. Farklı performans gereksinimleri olan dikey endüstriler, farklılaştırılmış, izole edilmiş ve özelleştirilebilir ağ hizmetleri sağlar. 5G ağ dilimleme teknolojisi, birden çok mantıksal ağın bulut ve sanallaştırma teknolojileri aracılığıyla aynı fiziksel altyapı setini paylaşmasına olanak tanır ve bu da, hizmet düzeyi sözleşmelerini (SLA) sağlarken maliyetleri etkin bir şekilde azaltabilir. Bununla birlikte, ağ altyapısı giderek daha karmaşık, heterojen ve büyük ölçekli hale gelirken, yeni uygulamalar daha hızlı ve daha hızlı ortaya çıkarken, iş gereksinimleri gittikçe daha fazla gerçek zamanlı ve dinamik değişiyor ve ağ dilimleme yönetimi büyük zorluklarla karşı karşıya.
(Yapay Zeka, YZ), insan beyninin teoriler, yöntemler, teknoloji ve uygulama sistemlerindeki akıllı davranışının, insanların kendi faaliyetlerini ilerletebilmeleri için insan düşüncesini ve bakış açılarını simüle etmek için bilgisayar zekasının kullanılması yoluyla incelenmesini ifade eder. 1956'daki doğumundan bu yana, yapay zeka teorisi ve teknolojisi giderek daha olgun hale geldi ve uygulama alanları da genişliyor. Yapay zekanın doğruluğu, büyük miktarda veri eğitiminden yararlanır.İşletme sürecinde operatörler tarafından biriktirilen büyük miktarda veri, yapay zeka teknolojisine uygulanırsa, ağ otomasyon düzeyini büyük ölçüde artırabilir, ağ işletim maliyetlerini azaltabilir ve kullanıcılara daha fazla doğruluk sağlayabilir. Veri hizmetleri ve daha geniş bir ağ alanı. Sonuç olarak, yapay zeka teknolojisi, ağdaki karmaşık ve tekrarlayan görevlerle başa çıkmada doğal avantajlara sahiptir.
Yurtiçi ve yurtdışındaki akademisyenler, yapay zeka teknolojisi ile ağ dilimleme teknolojisinin entegrasyonu üzerine araştırmalar yaptılar. Literatür, yapay zeka mikro hizmetlerine dayalı akıllı bir IoT 5G entegrasyon mimarisi önermektedir; burada yapay zeka hizmetleri mikro hizmetler olarak sağlanacaktır. 5G entegrasyon platformu ayrıca merkezi veri merkezlerinde ve IoT cihazlarının kenarına yakın yerlerde kesintisiz yapay zeka sağlanmasına olanak tanır. Hizmetler, mevcut monolitik entegre IoT bulut hizmetlerinin yerini alarak entegre 5G ağ dilimlerinde dağıtılabilir. Çeşitli ve heterojen ağların ihtiyaçlarını karşılamak için literatür, ağ dilimlemeye dayalı esnek, uyarlanabilir ve programlanabilir bir mimari önermektedir.Bu mimari çerçeve, 5G sistem hesaplama kaynaklarının etkili bir kullanımı olarak kaynak esnekliğinin kullanılmasına izin verir. 5G sistemini yüke ve diğer sistem değişikliklerine otomatik olarak adapte etmenin temel yolu, mevcut kaynakların her zaman için talebi mümkün olduğunca karşılamasını sağlar. Literatür, her ağ diliminin trafik talebini öğrenmek ve bir sonraki aralığın trafik talebini tahmin etmek için yapay zeka teknolojisini kullanır. Dilimleme talebinin tahminine göre, dilim içi bağlantının hizmet kalitesini etkilemeden çoğullama kazancını artırmak için yeni bir esnek dilim içi kablosuz kaynak yönetimi modeli önerilmiştir. Literatür, esnek ve genişletilebilir bir çerçeve elde etmek ve yapay zekayı kablosuz ağ teknolojisine entegre etmenin temel sınırlamasını çözmek için talep üzerine yapay zeka işlev modüllerini somutlaştırmak ve bu modülleri dağıtılmış bir şekilde dağıtmak için akıllı dilimleme teorisini ortaya koymaktadır. Literatür, uzun ve kısa süreli bellek döngüsel sinir ağına ve geleneksel sinir ağına dayalı bir ağ trafiği tahmin modeli önermektedir. Geleneksel makine öğrenimi trafik tahmin yöntemleriyle karşılaştırıldığında, ağ trafiği tahmininde modelin uygulanabilirliği ve daha yüksek doğruluğu doğrulanır. Yukarıda bahsedilen trafik tahmin modeli, ağ kaynaklarının kullanımını iyileştirmek için yazılım tanımlı ağ teknolojisine dayanan akıllı taşıyıcı ağ dilimleme sistemine uygulanır.
Buna ek olarak, yerli ve yabancı standart kuruluşları (3GPP, CCSA, ETSI, ITU-T, TMF, Linux Foundation, vb. Dahil), yapay zekanın ağ dilimleme ile ilgili protokollere uygulanması ve kavram kanıtı prototip sistemlerinin geliştirilmesi üzerine araştırmalar yürütmüştür.
Şu anda, AI teknolojisini ve ağ dilim yönetim sistemini entegre eden bir mimari eksiklik var. Bu nedenle, bu makale, 3GPP tarafından önerilen üç katmanlı ağ dilim yönetim sistemine dayalı AI yeteneklerini tanıtmayı ele alacak ve birleşik bir AI tabanlı akıllı dilim yönetimi mimarisi önerecektir. Bu birleşik mimari tasarımına dayanarak, temel olarak dilim tasarımı, dilim oluşturma, dilim güncellemesi, dilim izleme ve dilim hizmeti deneyimi değerlendirmesini içeren akıllı bir dilim yönetimi süreci tanıtıldı. Araçların İnternetinin ve tıbbi bakımın uygulama durumları aracılığıyla, akıllı dilim yönetiminin, ağ kaynaklarının esnek ve akıllı bir şekilde planlanması yoluyla iş performansını sağladığı gösterilmiştir.
1 Ağ dilim yönetim sistemi
Ağ dilimleme düzenlemesi ve yönetimi için 3GPP, mantıksal olarak iletişim hizmeti yönetimi işlevi (CSMF), ağ dilimleme yönetimi işlevi (Ağ Hizmeti Yönetimi İşlevi, NSMF), ağ dilimleme alt ağ yönetimi ( Ağ Slice Alt Ağ Yönetim İşlevi, NSSMF) Şekil 1'de gösterildiği gibi üç ana işlev. Bunlar arasında CSMF, kullanıcının iş ihtiyaçlarının ağ dilimleme ihtiyaçlarıyla eşleştirilmesini gerçekleştirir. NSMF, ağ dilimleme gereksinimlerini alt ağ dilimleme gereksinimlerine dönüştürür ve ağ dilimleme örneklerinin yönetiminden ve düzenlenmesinden sorumludur. NSSMF, her bir alt ağ dilimleme gereksinimlerini ağa dönüştürür Fonksiyonel gereksinimler için NSSMF, kablosuz (Erişim Ağı, AN) dilim alt ağ yönetimi (AN-NSSMF), çekirdek ağ (Çekirdek Ağ, CN) dilim alt ağ yönetimi (CN-NSSMF) ve taşıma ağı (Taşıma Ağı, TN) olarak ikiye ayrılır. ) Dilim alt ağ yönetimi (TN-NSSMF).
Çeşitli ve dinamik olarak değişen dilimleme hizmetlerinin ihtiyaçlarını karşılamak için, en hızlı dağıtım ve çevrimiçi dilimlemeyi elde etmek, hizmet kalitesini garanti etmek ve dilimleme kaynaklarının yeniden kullanımını en üst düzeye çıkarmak için sınırlı dilimleme kaynaklarını esnek ve akıllı bir şekilde düzenlemek gerekir. Bu karmaşık görevler, ağ dilim yönetim sisteminin büyük zorluklarla karşı karşıya kalmasına neden olur. Otomatik ve akıllı dilim yönetimini gerçekleştirmek için 5G ağına AI teknolojisini tanıtmak gerekir. Bu nedenle, bir sonraki bölüm AI tabanlı akıllı dilim yönetimi mimarisini tanıtacaktır.
2 Akıllı dilim yönetimi
Bilgi işlem kaynaklarındaki farklılığa ve ağ dilimleme altyapısı katmanının ve dilim yönetim sisteminin farklı katmanları tarafından sağlanan gerekli akıllı yeteneklere göre, birleşik bir çözüm önermek için altyapı ağ öğesi katmanının ve dilim yönetim sisteminin farklı katmanlarına farklı AI yetenekleri getirilir. AI tabanlı akıllı dilim yönetimi mimarisi Şekil 2'de gösterilmektedir. Altyapı ağı öğesi katmanında yerleşik cihaz düzeyinde AI analiz yetenekleri, tek alanlı AI analiz yetenekleri sağlamak için NSSMF katmanında AI bileşenlerini dağıtın ve AI etkinleştirme platformu, NSMF ve CSMF için alanlar arası AI analiz yetenekleri sağlar ve dinamik kontrol stratejileri oluşturmak için AI analizini kullanır Ağ öğelerinden tüm ağa kapalı bir dinamik kontrol döngüsü oluşturun ve ağ yönetiminde otomasyonu ve zekayı teşvik edin. Her katmanda sunulan belirli AI istihbarat yetenekleri şu şekilde tanıtılmıştır:
(1) Cihaz AI zekası: AI algoritmaları, sahne tabanlı bir AI model kitaplığı sağlamak için ağ öğesi cihazlarına yerleştirilmiştir. Veri toplama ve ön işleme yoluyla, önceden işlenmiş bazı yararlı örnek veriler geçici olarak bazı ağ öğesi düğümlerinde depolanabilir ve gerçek zamanlı AI model muhakemesi ve basit akıllı karar verme, sahne eşleştirme ve parametre ayarı gömülü AI çerçevesi aracılığıyla gerçekleştirilir. İşlem, ağ dilimleme alt ağ yönetim katmanına yüklenmeden ağ elemanında yerel olarak işlenebilir Hizmet gecikme gereksinimlerini karşılamak için gerçek zamanlı akıllı analizi ve kapalı döngü kontrolünü destekler. Örneğin, dilim # 1, AI yetenekleri aracılığıyla ağ öğesi katmanına yerleştirilir ve Kullanıcı Düzlem İşlevi (UPF), ultra düşük gecikme gereksinimleri olan hizmetleri destekleyebilen uca batırır. Bir yandan, gömülü AI yeteneklerine sahip ağ öğesi katmanı, bağımsız olarak basit akıllı kararlar verebilir ve diğer yandan, yayınlanan akıllı politikalarını yürütmek için ağ dilimleme alt ağ yönetim katmanıyla koordinasyon sağlaması gerekir.
(2) Tek alanlı AI zekası: Ağ dilimleme alt ağ yönetimi NSSMF katmanında, tek bir kablosuz erişim ağları, iletim ağları ve çekirdek ağlar alanında veri analizi, hafif eğitim ve muhakeme yapmak için AI analiz yetenekleri tanıtıldı. Tek bir alanda akıllı kapalı döngüyü gerçekleştirmek için ağ ve kaynak durumu tahminleri, anormal koşulların temel neden analizi ve akıllı karar verme. Örneğin, AI tabanlı AN-NSSMF, kablosuz ağ dilimleme spektrumu ve güç kaynağı optimizasyon yönetimi planlaması gerçekleştirebilir, AI tabanlı TN-NSSMF'nin tanıtımı, iletim ağı dilimleme hata analizini ve temel neden konumunu destekleyebilir ve AI tabanlı CN-NSSMF, çekirdek ağ dilimleme yapabilir. Sanal kaynak planlama ve ağ işlevi yük analizi vb. Bir yandan, AI tabanlı NSSMF katmanı, tek alanlı kapalı döngü optimizasyonunu bağımsız olarak gerçekleştirebilir ve ayrıca ağ dilim yönetimi işlevi katmanından dağıtılan politikaları, ağ tarafından yürütülebilen ve yürütme için alt katman cihazlara gönderebilen ilkellere dönüştürebilir.
(3) Alanlar arası AI zekası: Alanlar arası AI analizi, AI güçlendirme platformu tarafından NSMF ve CSMF'ye sağlanan ağ çapında veriler, zengin bir AI modeli kitaplığı ve eğitim, muhakeme ve analiz için merkezi hesaplama gücü gerektirir. Yapay zeka destekli CSMF katmanı, çeşitli kullanıcı niyetlerini alır, bunları uçtan uca ağ dilimleme gereksinimlerine çevirir ve NSMF katmanına gönderir. Yapay zeka destekli NSMF katmanı, küresel deneyime ve verilere dayalı yapay zeka modeli eğitimini tamamlar, iş planlaması ve küresel stratejiler için en uygun iş modelleri ve karar verme yargıları sağlar ve etki alanları ve tüm ağ genelinde kapalı döngü kontrolü tamamlar. Alanlar arası AI istihbarat yetenekleri, küresel stratejiler ve tanımlarla ilgili merkezi eğitim ve muhakeme için uygundur ve genellikle gerçek zamanlı gereksinimlere karşı daha az hassastır. Yapay zeka destekli CSMF katmanı ve NSMF katmanı birbirleriyle işbirliği yapar ve küresel ağ durumunun analizi ve öğrenilmesi yoluyla, kullanıcı niyetlerinin gerçekleştirilmesi sürekli ve kapalı döngü garantilidir ve uzun vadeli eğilimlere göre akıllı analiz ve yönetim gerçekleştirilir. NSMF katmanı ayrıca, küresel kaynak planlamasına rehberlik etmek için uçtan uca dilim kaynak programlama politikasını NSSMF katmanına iletebilir.
3 Akıllı dilim yönetimi süreci
Bu bölüm, yapay zeka tabanlı akıllı dilim yönetim sistemi ile ağ dilim yönetimi sürecini ayrıntılı olarak ele alacaktır.
3.1 Dilim tasarımı
Kullanıcıları dilimlemenin farklı iş niyetleri göz önünde bulundurulduğunda, operatörlerin ultra yüksek bant genişliği, ultra düşük gecikme süresi ve ultra büyük bağlantıları desteklemek için farklı dilimleme şablonları tasarlaması gerekir. Dilim şablonu tasarım süreci Şekil 3'te gösterilmektedir. Yapay zeka destekli CSMF katmanı, kullanıcının ses, video, metin vb. İle ifade edilen iş niyetini toplar, kullanıcının iş niyeti verilerini önceden işler ve ilgili iş senaryosunun niyet bilgisini açıklar. Bir eğitim örneği olarak, iş senaryolarını sınıflandırmak ve tanımak için bir makine öğrenimi modeli oluşturun. İş amacını eğitimli makine öğrenimi modeline girin ve ilgili iş senaryosunu çıkarın; iş senaryosuna göre ilgili dilim tasarım şablonunu belirleyin. Dilim şablonu, bir veya daha fazla gecikme seviyesi, hız seviyesi, paket kaybı oranı seviyesi, titreşim seviyesi, maksimum kullanıcı numarası seviyesi, kapsama alanı seviyesi, kullanıcı mobilite seviyesi ve kaynak paylaşım seviyesi gibi dilim servis konfigürasyon parametrelerini içerir. Amaç tabanlı dilimleme tasarımı, yeni ortaya çıkan işlere uyum sağlamaya ve özelleştirilmiş ağ dilimleme hizmetleri sağlamaya yardımcı olacaktır.
3.2 Dilim oluşturma
Kullanıcının dilim SLA gereksinimlerine, sanal kaynakların mevcut tüketim durumuna ve mevcut dilim işi etkilenmediğinde ve yeni dilimin SLA talebi karşılandığında mevcut dilim işinin kaynak talebi tahminine dayalı olarak yeni bir dilim oluşturma talebi için Uçtan uca kaynak yapılandırması sayesinde yeni bir dilim başarıyla yaratıldı. Dilim oluşturma süreci Şekil 4'te gösterilmektedir. Yapay zeka destekli NSMF katmanı uçtan uca SLA parametre gereksinimlerini alır Dilim dağıtımının geçmiş verilerine dayalı olarak, hizmet türünü, şablon bilgilerini ve gerçek ilişkili bulut ağı kaynak özelliklerini ve yapılandırmasını yapılandırmak için AI algoritmaları kullanılır. Erişim ağının, iletim ağının ve modelleme ve analiz için çekirdek ağın her bir etki alanı alt dilim örneğinin SLA ölçüm verilerinin yanı sıra parametreler gibi bağlamsal bilgiler, madencilik dilim şablonları, bulut ağı kaynakları ve yapılandırması da bulunur (ör. Gecikme, bant genişliği, kullanıcı sayısı, hız vb.) Parametreler ve SLA göstergeleri arasındaki ilişki, optimal SLA bölme stratejisi çıkarılır ve her alan için kaynak yapılandırma önerileri NSSMF katmanına çıkarılır NSSMF katmanı, yeni bir dilim oluşturulmasını tamamlamak için yolları ve kaynakları tahsis etmek için dilim oluşturma algoritmasını çağırır.
3.3 Dilim güncellemesi
Dilimleme işlemi sırasında, dilimleme hizmetinin ağ durumu ve trafiği dinamik olarak değişir Dilimlemenin ilk kaynak yapılandırması dilimlemenin trafik değişikliklerine adapte olamayabilir Trafik kullanımını doğru bir şekilde tahmin etmek ve dilimleme kaynaklarını talep üzerine dinamik olarak yapılandırmak gerekir. Dilim güncelleme işlemi Şekil 5'te gösterilmektedir, dilim trafik verilerini ve KPI verilerini vb. Toplayın, trafik eğilimlerini tahmin etmek için AI modellerini (sıra tahmin algoritmaları gibi) ve dilim kaynak ayarlama stratejilerini kullanın ve bunları yürütme için her bir etki alanına teslim edin. Ayrıca, tek alanlı dilim trafik verilerini toplayabilir ve akıllı analiz aracılığıyla tek alanlı kaynak yapılandırma güncellemeleri gerçekleştirebilirsiniz. Dilimler arasında, farklı hizmet dağıtım özelliklerinden dolayı, hizmet tepe noktalarında en yüksek yanlış hizalamalar ve tamamlamalar vardır.En yüksek hizmet trafiğini tahmin eden dilimleri genişletin ve azaltılmış hizmet yükünü tahmin eden ağ dilimlerini küçültün, böylece birden çok dilim dilim kaynaklarını aynı anda yeniden kullanabilir. Kaynak çatışmalarından kaçının. Dilim güncelleme işlemi sırasında, farklı dilimlerdeki yük tahmin edilerek, işin hizmet kalitesini sağlamak ve dilim kaynaklarının kullanım verimliliğini artırmak için dilim kaynağı yapılandırması önceden güncellenir / ayarlanır.
3.4 Dilim izleme
Dilimin çalışması sırasında, dilimin gerçek zamanlı çalışma durumunu izlemek, anormal davranışı tanımlamak, arıza alarmının temel nedenini analiz etmek ve kendi kendini iyileştirmek gerekir. Dilim izleme süreci Şekil 6'da gösterilmektedir. Dilim izleme verilerinin toplanması, çok sayıda sistem günlüğü, topoloji, konfigürasyon parametreleri ve performans verilerini içerir.Anormal davranış, cihazın veya kullanıcının trafik özelliklerine ve alarmlar arasındaki ilişki kurallarına göre tahmin edilebilir. Temel neden alarmını bulmak, performans indeksi analizine dayalı olarak arıza olasılığını tahmin etmek ve takviye öğrenme yoluyla uyarlanabilir arıza onarım ve önleme stratejileri yapmak. Ağ izleme, uçtan uca dilim izleme, alt dilim izleme ve ağ işlevi izleme içerir.Tüm seviyeler birbiriyle işbirliği yapar.Bir yandan, meydana gelen arızaların temel nedenini hızlı ve verimli bir şekilde analiz edip onarabilir; diğer yandan potansiyel performans düşüşünü gerçekleştirebilir. Önleyin, ağ otomasyon garantisini gerçekleştirin.
3.5 Dilimleme hizmeti deneyimi değerlendirmesi
Dilimleme hizmetleri sağlarken, hizmet kalitesini garanti altına almak için operatörlerin çeşitli hizmetlerin hizmet kalitesini doğru bir şekilde algılaması ve değerlendirebilmesi gerekir. Dilim hizmet deneyimi süreci Şekil 7'de gösterilmektedir. Hizmet SLA deneyimi verileri ve dilim KPI dizin verileri toplanarak, SLA deneyimi ile ağ dizin verileri arasında bir ilişki modeli oluşturulur.Bu modele dayanarak, ilgili iş performansını değerlendirmek için çevrimiçi dilim KPI dizin verileri toplanır. İşletme için hizmet kalitesi güvencesi elde etmek için SLA deneyimi değerlendirme sonuçlarına dayalı olarak ağ dilimleme kaynaklarını deneyimleyin ve düzenleyin. Video, oyun, ödeme, araba ağı işi vb. Gibi farklı iş türleri oldukça farklı olduğundan, bunların ilişkili modelleri de farklıdır, bu nedenle farklı iş türlerine göre ayrı ayrı modellenebilir ve eğitilebilir ve aynı tür iş taşınabilir veya Genelleme işlemi.
4 uygulama senaryosu
4.1 Araçların İnterneti Senaryosu
5G ağ dilimleme, farklı Araç İnterneti hizmet türlerini destekleyebilir.Gelişmiş Mobil Geniş Bant (eMBB) dilimleme, araç içi VR gerçek zamanlı iletişim gibi hizmetleri taşıyabilir. Ultra Güvenilir Düşük Gecikmeli İletişim (uRLLC) dilimleme yapabilir AR navigasyonu ve gerçek zamanlı yol durumu izleme gibi taşıma hizmetleri Massive Machine-Type Communication (mMTC) dilimleri, araç zaman paylaşımlı kiralama gibi hizmetleri taşıyabilir. Araçların İnterneti iş gereksinimlerinin çeşitliliği ve yüksek dinamikleri, ağ dilimleme kaynaklarının dinamik ayarını ve zamanlamasını büyük zorluklarla karşı karşıya bırakmaktadır. Yapay zeka tabanlı akıllı dilim yönetim sistemi, yüksek dinamik iş gereksinimlerinin neden olduğu ağ dilim yönetimi sorununu çözmek için dilim kaynaklarını akıllıca tahsis edebilir.
Araçların İnterneti sahnesindeki karayolu trafiğinin gelgit etkisini hedefleyen, Araçların İnterneti sahnesinden veri toplayan, veri depolama ve ön işleme gerçekleştiren ve Araçların İnterneti sahnesi için bir iş hacmi tahmin modeli oluşturmak için yapay zeka ve büyük veri teknolojisini birleştiren. Yapay zeka algoritmalarına dayalı karayolu trafik trafiğinin etkili tahminine dayalı olarak, ağ dilimleme ve kaynak dağıtım gereksinimlerinin gerçek zamanlı yük durumu ile birlikte, ağ dilimleme kaynaklarından tasarruf ederken Araçların İnterneti işinin ihtiyaçlarını karşılamak için akıllı ağ dilimleme kaynaklarının dinamik tahsis stratejisini çıkarır.
4.2 Tıbbi sahne
Çin'in yeni tıbbi reformunun sürekli derinleşmesi ve 5G iletişim teknolojisinin hızla gelişmesiyle birlikte, büyük tıp kurumları, tıbbi hizmet süreçlerini optimize etmek, halk için tıbbi hizmetlerin kalitesini iyileştirmek ve akıllı tıbbi hizmetlerin gelişimini teşvik etmek için yeni "İnternet + tıbbi" modelini aktif olarak araştırmaktadır. . 5G medikal özel dilimler, çeşitli tıbbi uygulamaları destekleyebilir.Örneğin, mMTC dilimleri, tıbbi cihaz verilerinin kablosuz olarak toplanmasına dayalı tıbbi izleme uygulamalarını destekler ve eMBB dilimleri, video ve görüntü etkileşimine (AR / VR / MR ameliyatı gibi) dayalı tıbbi tanı ve rehberlik uygulamalarını destekler. ), uRLLC dilimleri video ve kuvvet geri bildirimine dayalı uzaktan kontrol uygulamalarını destekler.
Akıllı dilimleme yönetimi, tıbbi özel dilimleme ağının uçtan uca akıllı bölümlemesini gerçekleştirerek tıbbi özel ağın iş izolasyon güvenliğini ve hizmet kalitesini sağlar ve ayrıca sürekli ağ kapsamını, konum konumlandırma yeteneklerini, düşük gecikmeyi, geniş bant genişliğini ve güvenlik ve güvenilirliği sağlar. Ağ gereksinimlerini bekleyin.
5. Sonuç
5G ağ dilimleme yönetimi büyük zorluklarla karşı karşıyadır. AI algoritmaları, büyük ağ veri analizine dayalı akıllı stratejiler sağlayabilir. AI ve 5G ağ dilimlemeyi birleştirmek, endüstri araştırmasının odak noktası haline geldi. Bu makale, AI ve ağ dilimleme entegrasyonunun mevcut araştırma durumunu araştırmakta ve ağ öğelerinden tüm ağa kadar kapalı bir dinamik kontrol döngüsü gerçekleştirebilen birleşik bir AI tabanlı akıllı dilim yönetimi mimarisi önermektedir. Ardından, dilim tasarımı, oluşturma, güncelleme, izleme ve dilim hizmeti deneyimi değerlendirmesi dahil olmak üzere akıllı dilim yönetim sistemine dayalı ağ dilimlerinin yaşam döngüsü yönetimi sürecine odaklanır. Son olarak ulaşım ve medikal alanlarda akıllı dilimleme uygulaması tanıtıldı. Yapay zeka tabanlı akıllı dilim yönetim sistemi, 5G ağlarını daha akıllı ve otonom hale getirebilir, iş başlatma, dağıtma ve esnek kaynak kullanımını etkin bir şekilde hızlandırabilir ve dikey endüstri müşterileri için farklılaştırılmış SLA hizmeti garantileri sağlayabilir.
Referanslar
MYOUNGLEE G, UMT, CHOI J K. 5G ağları üzerinden bir mikro hizmet olarak AI (AIMS). 2018 ITU Kaleidoscope: 5G Future için Makine Öğrenimi (ITU K), Santa Fe, 2018.
GUTIERREZ-ESTEVEZ D M. 5G ağlarının elastik yönetimi ve orkestrasyonu için yapay zeka.IEEE Wireless Communications, 2019, 26 (5): 134-141.
KHATIBI S, JANO A. AI trafik tahmini ile elastik dilim farkındalı radyo kaynağı yönetimi. 2019 Avrupa Ağlar ve İletişim Konferansı (EuCNC), Valencia, İspanya, 2019: 575-579.
JIANG W, ANTON S D, SCHOTTEN H D.Zeka dilimleme: yapay zekayı 5G ağlarına entegre etmek için birleşik bir çerçeve. 201912. IFIP Kablosuz ve Mobil Ağ Konferansı (WMNC), Paris, Fransa, 2019: 227-232.
Wang Haining, Yuan Xiangfeng, Yang Mingchuan. LSTM ve geleneksel sinir ağına dayalı ağ trafiği tahmini ve uygulaması. Mobil İletişim, 2019, 43 (8): 37-44.
yazar bilgileri:
Xu Dan1, Wang Haining1, Yuan Xiangfeng1, Zhu Xuetian2
(1. Çin Telekom Araştırma Enstitüsü AI Ar-Ge Merkezi, Pekin 102209; 2. Çin Telekom Akıllı Ağı ve Terminal Araştırma Enstitüsü, Pekin 102209)
