.png){kind=icon}
返回
AI-Driven Dynamic Network Slicing Optimization Leveraging Temporal Graph Networks
.png){kind=icon}
PRE
AI
DOI：10.1109/LNET.2025.3617577.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着第五代（5G）和超五代（B5G）网络的演进，动态资源分配与管理对于支持设备多样性和混合数据流量类型至关重要。网络切片能够实现基础设施的逻辑分割，以满足应用程序提出的特定服务质量（QoS）要求，但诸如流量波动、用户移动性和跨切片干扰等因素，对前瞻性资源分配构成了挑战。传统方法难以应对这些因素，导致效率低下。因此，本文探讨了基于时间图网络（TGNs）的AI驱动的网络性能预测与资源分配框架的概念。通过将TGN与NS-3仿真器集成，本文的工作展示了一种高效预测网络吞吐量的方法。所提出的解决方案推进了时空人工智能（AI）技术，实现了更准确的网络性能预测和自适应资源优化，支持动态网络切片。
Keyword:
Resource management
5G mobile communication
Throughput
Dynamic scheduling
Artificial intelligence
Quality of service
Network slicing
Autonomous aerial vehicles
Adaptation models
Real-time systems
AI
slicing
NS-3
NS3-AI
TGN
throughput prediction
期刊
I
IF:
0
论文数:
62
被引数:
0
机构
引用论文
Exploiting Core Openness as Native-AI Enabler for Optimised UAV Flight Path Selection利用核心开放性作为原生平能AI的赋能器，以优化无人机飞行路径选择
PREAI
分享收藏An LSTM-Based Network Slicing Classification Future Predictive Framework for Optimized Resource Allocation in C-V2X基于LSTM的网络切片分类未来预测框架，用于优化C-V2X中的资源分配.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Artificial Intelligence Self-Organising (AI-SON) Frameworks for 5G-Enabled Networks: A Review5G使能网络中的人工智能自组织（AI-SON）框架：综述
PREAI
分享收藏 没有更多内容
没有更多内容