MicroOpt: Model-Driven Slice Resource Optimization in 5G and Beyond Networks

Muhammad Sulaiman

doi:10.1109/TNSM.2025.3584257

MicroOpt: Model-Driven Slice Resource Optimization in 5G and Beyond Networks

0

PRE

AI

Mohammad A. Salahuddin

DOI：10.1109/TNSM.2025.3584257

原文链接

原文求助

摘要

En 中文

5G网络的一个关键属性是其能够满足多样化的应用需求。这是通过创建具有不同服务级别协议（SLAs）的逻辑隔离虚拟网络，或称为切片，并针对特定用例进行定制来实现的。然而，由于流量和质量管理（QoS）需求的变化，有效地分配资源以维持切片SLA具有挑战性。传统的基于峰值流量的资源分配会导致过度配置，因为实际流量很少达到峰值。此外，资源分配与跨不同网络段的端到端切片中的QoS之间的复杂关系，使得传统的优化技术不切实际。该领域现有的方法采用数学网络模型（例如排队模型）或仿真，以及各种优化方法，但在最优性、可处理性和不同切片类型间的通用性方面存在困难。在本文中，我们提出了MicroOpt，一个新颖的框架，利用基于可微分神经网络的切片模型，通过梯度下降进行资源优化，并通过拉格朗日分解满足QoS约束。我们使用一个开源的5G测试平台和真实世界的流量跟踪数据，将MicroOpt与两种当前最先进的方法进行了比较。我们的结果表明，在各种场景下，包括不同的QoS阈值和动态切片流量，与这些方法相比，MicroOpt的资源分配效率提高了高达21.9%。

Keyword:

5G

network slicing

dynamic resource scaling

machine learning

quality of service

MicroOpt: Model-Driven Slice Resource Optimization in 5G and Beyond Networks

摘要

期刊

机构

引用论文