CN112887142A - 一种虚拟化无线接入边缘云中web应用切片生成方法 - Google Patents

一种虚拟化无线接入边缘云中web应用切片生成方法 Download PDF

Info

Publication number
CN112887142A
CN112887142A CN202110101819.7A CN202110101819A CN112887142A CN 112887142 A CN112887142 A CN 112887142A CN 202110101819 A CN202110101819 A CN 202110101819A CN 112887142 A CN112887142 A CN 112887142A
Authority
CN
China
Prior art keywords
network
virtualized
virtual
slice
wireless access
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110101819.7A
Other languages
English (en)
Other versions
CN112887142B (zh
Inventor
邹赛
卢涵宇
袁咏仪
商晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liupanshui Sanlida Technology Co ltd
Guizhou University
Original Assignee
Liupanshui Sanlida Technology Co ltd
Guizhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liupanshui Sanlida Technology Co ltd, Guizhou University filed Critical Liupanshui Sanlida Technology Co ltd
Priority to CN202110101819.7A priority Critical patent/CN112887142B/zh
Publication of CN112887142A publication Critical patent/CN112887142A/zh
Application granted granted Critical
Publication of CN112887142B publication Critical patent/CN112887142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08Configuration management of networks or network elements
    • H04L41/0893Assignment of logical groups to network elements
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/02Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种虚拟化无线接入边缘云中web应用切片生成方法,包括以下步骤,S1构建虚拟化无线接入网络切片的逻辑映射,把网络应用的定性需求翻译成虚拟服务的网络功能、各个功能的性能、各个功能的关联关系、各个功能的各个性能的资源定量需求;S2把虚拟化网络功能编排、虚拟化网络资源编排转化为优化问题,实现虚拟化无线接入网络切片的编排;S3构建虚拟化无线接入网络切片的物理映射,实现网络资源的动态分配。本发明实现异构多基站联合映射的虚拟化网络资源迁徙,打破小区边界限制,提高虚拟小区与终端之间始终有较好的链路质量。

Description

一种虚拟化无线接入边缘云中web应用切片生成方法
技术领域
本发明属于移动通信领域,尤其涉及一种虚拟化无线接入边缘云中web应用切片生成方法。
背景技术
随着信息化发展的进程,新应用海量涌现;网络业务的扩展性修正性也越来越快,网络业务的生命周期越来越短;随着社会分工的明确化,人类活动的区域成现不同特征性(如学校、工厂、商业区、野外空旷区域……),从而导致各区域对网络通信要求是不一样。因此,基于人类生活区域特征而建立的接入边缘云具有异质性。同时,未来网络的发展趋势有以下特点:
新业务快速度涌现反推网络管理平台变革成必然:随着网络技术的发展,通信网络不再是只满足人与人通信,而是延伸到人与物、物与物通信。然而,不同通信方式对网络需求的性能指标差异很大,各种业务都需要一种垂直的专有网络提供服务,比如自动驾驶的车联网需要提供实时、高可靠服务,而监测物联网则需要低带宽、超海量的连接。千变万化应用涌现,万物互联需求程度的增强,接入方式和网络功能定位发生了巨大的改变,烟囱式的移动接入网络架构在一定程度上无法满足业务的发展需求。烟囱式的无线接入技术难以通过统一的空口和网络控制协议实现高效的业务支撑,新的业务类型也难以快速部署。多样化的网络节点和组网形态不仅造成用户体验的不一致性,也给网络运行维护工作带来沉重的负担。未来无线网络需要在统一的公用平台上支持eMBB、mMTC、URLLC、及他们之间的各种组合需求等多样化应用场景。然而,各种应用或业务对网络指标的需求存在极大的差异。为了满足各业务不同指标的需求,未来的虚拟化无线网络管理平台需要具备灵活的自主理能力及快捷的伸缩能力。同时,未来的无线网络不单服务于个人,还会服务于一些商业模式差异化显著垂直行业(如公共安全,智能工厂,智能医疗,V2X等)。商业模式的差异化,要求未来的无线网络软硬件解耦、网络功能虚拟化和软件化、支持网络功能可编排和可定制、以统一的架构为不同行业用户提供不同的网络服务。
网络管理平台资源配置因地制宜变革新动向:社会分工的明确化,人类活动区域逐渐形成不同的特征,如学校区、商业区、生活区、工业区等等。不同特征的人类活动区域对网络通信要求是不一样的。因人类活动特征而进行的网络接入云的资源配置需要找准刚需,撬动供需雪球作为发力点,才能使得效益最大化。各个地方再以相同的统一的架构来管理接入网络的资源导致巨大的浪费,针对人类活动特征区域而建立的异构网络接入边缘云管理平台具有很大的差异性。然而,人类活动带有很大的流动性、潮汐性、群聚性,因地制宜、因势利导,基于“松散联邦”制的虚拟化网络接入边缘云成为新的动向。
网络服务智能自主管理成新趋势:千变万化的应用飞速涌现,具有地域特色的网络基础设施的建立,必然会导致业务、管理、设施的解耦,在标准的接口下各自独立的发展。网络管理系统能够智能自主管理成新趋势。它能够提供快速业务创新、快速响应客户需求、快速实现业务上线,将过去以年为单位才能开通的新业务,缩短到以月或天为周期,甚至以小时为单位开通新业务的更高要求;它能够提供基础施设的智能管理、配置、优化、修复和重配置等,降低高额的运维成本,减少时间上的延迟,实现绿色通信节能环保。
针对人类活动区域特征及网络业务的不同需求,研究虚拟化边缘接入网络自主管理,为应用提供“恰当好处”的服务,为基础设施提供高效利用,具有重大理论意义及工程价值。
现有技术不能实现异构多基站联合映射的虚拟化网络资源迁徙,存在小区边界限制,虚拟小区与终端之间始终有较好的链路质量较低
发明内容
本发明的目的是解决无线接入网络切片的“应用的性能需求与切片的功能组合式提供服务的表达不一致性问题”、“虚拟化网络功能与资源自动编排问题”、“动态环境下物理资源分配问题”三大问题之一,提供在虚拟化无线接入边缘云中web应用的切片自动生成方法。
本发明提供一种虚拟化无线接入边缘云中web应用切片生成方法,包括以下步骤,
S1构建虚拟化无线接入网络切片的逻辑映射,把网络应用的定性需求翻译成虚拟服务的网络功能、各个功能的性能、各个功能的关联关系、各个功能的各个性能的资源定量需求;
S2把虚拟化网络功能编排、虚拟化网络资源编排转化为优化问题,实现虚拟化无线接入网络切片的编排;
S3在动态环境下,基于虚拟化无线接入网络切片的物理映射中的访问控制、拓扑结构、服务质量因素,分析物理网络拓扑结构的特性及预测应用的态势,构建虚拟化无线接入网络切片的物理映射,实现网络资源的动态分配。
进一步的,所述步骤S1包括以下子步骤:
S101采用形式化语言对应用的特征进行离散化,对各个异构的网络进行深度学习,通过语义分析把应用需要的网络环境编译成场景规则通过语法分析完成场景规则中各网络功能的逻辑关系,通过词法分析把应用的各个特征翻译成逻辑网络功能,通过场景规则、关联规则、逻辑网络功能共同优化生成逻辑网络切片及应用特征与自动翻译系统规则对应的先验概率模型;
S102根据先验概率模型,基于生成对抗网络法则,当应用到来时,先采用词法分析方法,生成应用所需要的虚拟化网络功能、每个网络功能的相关性能、每个网络功能的每个性能指标所需小号的网络资源,接着采用语法分析方法,编排各个网络功能的先后链接关系及添加各个网络功能之间的过渡联接功能,最后采用语义分析方法生成应用的场景;
S103采用深度强化学习技术,建立新应用与逻辑切片的翻译模型,同时,对逻辑网络切片集进行聚类分析,分别求解切片粒度问题及资源粒度问题,生成应用对应的虚拟请求,虚拟请求包括应用所需要的网络场景,各个虚拟化网络功能,每个网络功能达到的性,每个网络功能的每个网络性能所需要消耗的网络资源数量,每个网络功能的关联关系。
进一步的,所述步骤S2包括以下子步骤:
S201对虚拟请求与虚拟服务集中的二叉树匹配模型进行匹配;
S202采用模糊理论、智能优化理论,把虚拟化网络功能编排转化为优化问题。
进一步的,所述步骤S3包括以下子步骤:
S301基于虚拟网络映射成本收益比以及系统能耗,对无线通信接入网络多目标决策的虚拟网络映射模型进行改进,实现在降低系统能耗的情况下,优化映射收益成本;
S302在不改变网络的结构上,根据网络的不同负载量,构建以网络吞吐量、用户的QoE、基础设施的能量消耗为目标函数的多目标优化模型,采用虚拟化映射技术通过资源的动态调配,实现多目标优化模型的改进;
S303对虚拟区域进行低层的感知虚拟请求量,根据感知量进行初步预测处理,分辨各种特征,建立虚拟化网络资源在时间维度的请求量进行预测模型;
S304采用机器学习的方法,结合超密集环境下以节能为目标的无线虚拟化网络资源映射方法及异构网络虚拟资源多目标映射方法设计动态环境下虚拟化网络资源映射的优化方案,实现动态环境下虚拟化网络资源预测及分配策略;
S305采用步态认证的原理,根据用户的速度进行分析,当速度小于某个值时,判定此用户为静止的,根据用户请求的业务及所处的位置分配相应的基站的资源,当速度大于某个值时,判定此用户在快速移动,根据用户请求的业务,虚拟资源随用户移动而迁徙,当速度取于以上二者之间时或来回移动时,分析多基站的协作,把相同的资源同时分配给多个协作的基站。
本发明的有益效果是,实现异构多基站联合映射的虚拟化网络资源迁徙,打破小区边界限制,提高虚拟小区与终端之间始终有较好的链路质量。
附图说明
图1为本发明流程图。
具体实施方式
在运营商运维中,网络的变化和资源的调整往往来源于业务层面,同时业务的控制和分析也离不开对物理网络资源层面的了解,两者有着复杂的联系。虚拟化无线接入网络自主切片需要实现两个目标:为应用的功能实现“量身定制”,为基础设施的经济效益最大化。有鉴于此,在未来的业务管理系统及底层的基础设施都是开放的情况下,新应用快速涌现、生命周期短,各业务需求指标差异大;虚拟化边缘接入云平台建立在不同特征的人类活动区域上;旨在解决各个独立发展的无线接入边缘云,根据应用的需求指标,自主将网络划分为若干个不同的切片,服务于不同的业务类别或终端用户群的问题。
如图1所示,本发明提供一种虚拟化无线接入边缘云中web应用切片生成方法,包括以下步骤,
S1引入人工智能中的语义分析及深度强化学习技术,构建虚拟化无线接入网络切片的逻辑映射方法,把网络应用的定性需求(安全性、带宽、上行、下行、时延、速率、带宽时延积、吞吐量)翻译成虚拟服务的网络功能、各个功能的性能、各个功能的关联关系、各个功能的各个性能的资源(通信资源、计算资源、存储资源)定量需求。
S2引入模糊理论、智能优化理论,把虚拟化网络功能编排、虚拟化网络资源编排转化为优化问题,实现虚拟化无线接入网络切片的编排。
S3在动态环境下,基于虚拟化无线接入网络切片的物理映射中的访问控制、拓扑结构、服务质量因素,引入复杂网络理论去分析物理网络拓扑结构的特性及预测应用的态势,构建虚拟化无线接入网络切片的物理映射方法,实现网络资源的动态分配。
进一步,所述步骤S1包括以下子步骤:
S101采用形式化语言对应用的特征(应用的适应场景、安全性、带宽、上行、下行、时延、速率、带宽时延积、吞吐量)进行离散化。基于深度学习方法,对现存的各个异构的网络(各种IoT、视频、电话语音、流媒体、车联网、卫星接入、通用数据通信、FTP文件上传)进行深度学习。通过语义分析把应用需要的网络环境编译成场景规则(高带宽、低延迟、俱链接、三者之间的组合场景);通过语法分析完成场景规则中各网络功能的逻辑关系;通过词法分析把应用的各个特征翻译成逻辑网络功能;通过场景规则、关联规则、逻辑网络功能共同优化生成逻辑网络切片及应用特征与自动翻译系统规则对应的先验概率模型。
S102根据先验概率模型,基于生成对抗网络法则,当应用到来时,先采用词法分析方法,生成应用所需要的虚拟化网络功能、每个网络功能的相关性能、每个网络功能的每个性能指标所需小号的网络资源。接着采用语法分析方法,编排各个网络功能的先后链接关系及添加各个网络功能之间的过渡联接功能。最后采用语义分析方法生成应用的场景。
S103基于深度强化学习,建立新应用与逻辑切片的最优翻译模型;同时,对逻辑网络切片集进行聚类分析,分别求解切片粒度问题及资源粒度问题,生成应用对应的虚拟请求。虚拟请求包括应用所需要的网络场景,各个虚拟化网络功能,每个网络功能达到的性,每个网络功能的每个网络性能所需要消耗的网络资源数量,每个网络功能的关联关系。
进一步,所述步骤S2包括以下子步骤:
S201对虚拟请求与虚拟服务集中的二叉树匹配模型进行匹配,匹配方法如S2011-S2013所示。
S2011先从虚拟请求中查找虚拟服务集中的二叉树匹配模型的根结点相同的虚拟化网络功能,如果存在则进行S2012,否则进入编排队列进行价值对比。
S2012接着从虚拟请求中查找是否存在虚拟服务集中的二叉树匹配模型的根结点的相应子节点,直到找到对应的叶子节点为止。如果存在相关的虚拟服务,直接匹配队列中进行物理映射,否则进入编排队列进行价值对比。
S2013价值对比函数如(1)式所示,
Figure BDA0002915999510000081
其中,i表示虚拟请求的第i个虚拟化网络功能,N表示虚拟化网络功能的总数,j表示虚拟请求的虚拟化网络功能的第j个性能,M表示虚拟化网络功能的总的性能个数,k表示第k类资源,在本专利中考虑通信资源、存储资源、计算资源三类,x表示虚拟请求的第i个功能第j个性能第k类资源的价值。≥?表示价值对比符号,x’表示从现有的虚拟服务中选择某个服务的第i个功能第j个性能第k类资源的实际价值。
S202引入模糊理论、智能优化理论,把虚拟化网络功能编排转化为优化问题,具体的优化过程如S2021-S2022所示。
S2021当(1)式大于等于“0”时,说明现有的虚拟服务能够满足虚拟请求的需求,只需要从现有的虚拟服务调用经济成本最低的虚拟服务即可。由于每一个虚拟服务带有多个虚拟化网络功能,每个功能带有多个性能,每个功能的每个性能可能由多个或者一个或者几分之一个物理设备提供。因此,这种选择问题属于模糊理论中的上下界问题,采用粗糙集求解与精确算法结合优化方法,减少虚拟服务编排时间,提高应用“量身定制”的比例。其中现有的虚拟服务中被选择某个服务的某个功能的某个性能的实际价值如(2)式所示。
Figure BDA0002915999510000091
Costi,j,k表示物理设备提供第i个功能第j个性能第k类资源的成本,Num表示由多少个物理设备组合完成此虚拟功能,Comi,j,k表示当物理设备大于1个时的组合成本,LComi,j,k表示当物理设备少于1个时的组合成本。other表示其他情况,如1.3,4.2等等,即当设备大于1个时只能为整数。
S2022当(1)式少于“0”时,说明现有的虚拟服务不能够满足虚拟请求的需求,只能重新编排一个新的虚拟服务。把虚拟服务编排问题转化为图论中的最大子图选择问题,是一个NP难问题,采用智能算法(机器学习)与启发式算法结合优化方法进行编排。
进一步,所述步骤S3包括以下子步骤:
S301根据虚拟资源映射特点,考虑虚拟网络映射成本收益比以及系统能耗,对无线通信接入网络多目标决策的虚拟网络映射模型进行研究,实现在降低系统能耗的情况下,使得映射收益成本比近似最大化。
S302在不改变网络的结构上,根据网络的不同负载量,构建以网络吞吐量、用户的QoE、基础设施的能量消耗为目标函数的多目标优化模型,借助虚拟化映射技术通过资源的动态调配,实现多目标的共赢。
S303对虚拟区域进行低层的感知虚拟请求量,根据感知量进行初步预测处理,分辨各种特征,建立虚拟化网络资源在时间维度的请求量进行预测模型。
S304基于机器学习的方法,结合超密集环境下以节能为目标的无线虚拟化网络资源映射方法及异构网络虚拟资源多目标映射方法设计动态环境下虚拟化网络资源映射的优化方案,实现动态环境下虚拟化网络资源预测及分配策略。
S305基于步态认证的原理,根据用户的速度来进行研究。当速度小于某个值时,可以认为此用户为基本静止的,所以根据用户请求的业务及所处的位置分配相应的基站的资源。当速度大于某个值时,可以认为此用户在快速移动,根据用户请求的业务,虚拟资源随用户移动而迁徙。当速度取于以上二者之间时或来回移动时,研究多基站的协作,把相同的资源同时分配给多个协作的基站,实现异构多基站联合映射的虚拟化网络资源迁徙,打破小区边界限制,提高虚拟小区与终端之间始终有较好的链路质量
本发明的有益效果是,实现异构多基站联合映射的虚拟化网络资源迁徙,打破小区边界限制,提高虚拟小区与终端之间始终有较好的链路质量。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (4)

1.一种虚拟化无线接入边缘云中web应用切片生成方法,其特征在于,包括以下步骤,
S1构建虚拟化无线接入网络切片的逻辑映射,把网络应用的定性需求翻译成虚拟服务的网络功能、各个功能的性能、各个功能的关联关系、各个功能的各个性能的资源定量需求;
S2把虚拟化网络功能编排、虚拟化网络资源编排转化为优化问题,实现虚拟化无线接入网络切片的编排;
S3在动态环境下,基于虚拟化无线接入网络切片的物理映射中的访问控制、拓扑结构、服务质量因素,分析物理网络拓扑结构的特性及预测应用的态势,构建虚拟化无线接入网络切片的物理映射,实现网络资源的动态分配。
2.如权力要求1所述的一种虚拟化无线接入边缘云中web应用切片生成方法,其特征在于,所述步骤S1包括以下子步骤:
S101采用形式化语言对应用的特征进行离散化,对各个异构的网络进行深度学习,通过语义分析把应用需要的网络环境编译成场景规则通过语法分析完成场景规则中各网络功能的逻辑关系,通过词法分析把应用的各个特征翻译成逻辑网络功能,通过场景规则、关联规则、逻辑网络功能共同优化生成逻辑网络切片及应用特征与自动翻译系统规则对应的先验概率模型;
S102根据先验概率模型,基于生成对抗网络法则,当应用到来时,先采用词法分析方法,生成应用所需要的虚拟化网络功能、每个网络功能的相关性能、每个网络功能的每个性能指标所需小号的网络资源,接着采用语法分析方法,编排各个网络功能的先后链接关系及添加各个网络功能之间的过渡联接功能,最后采用语义分析方法生成应用的场景;
S103采用深度强化学习技术,建立新应用与逻辑切片的翻译模型,同时,对逻辑网络切片集进行聚类分析,分别求解切片粒度问题及资源粒度问题,生成应用对应的虚拟请求,虚拟请求包括应用所需要的网络场景,各个虚拟化网络功能,每个网络功能达到的性,每个网络功能的每个网络性能所需要消耗的网络资源数量,每个网络功能的关联关系。
3.如权力要求1所述的一种虚拟化无线接入边缘云中web应用切片生成方法,其特征在于,所述步骤S2包括以下子步骤:
S201对虚拟请求与虚拟服务集中的二叉树匹配模型进行匹配;
S202采用模糊理论、智能优化理论,把虚拟化网络功能编排转化为优化问题。
4.如权力要求1所述的一种虚拟化无线接入边缘云中web应用切片生成方法,其特征在于,所述步骤S3包括以下子步骤:
S301基于虚拟网络映射成本收益比以及系统能耗,对无线通信接入网络多目标决策的虚拟网络映射模型进行改进,实现在降低系统能耗的情况下,优化映射收益成本;
S302在不改变网络的结构上,根据网络的不同负载量,构建以网络吞吐量、用户的QoE、基础设施的能量消耗为目标函数的多目标优化模型,采用虚拟化映射技术通过资源的动态调配,实现多目标优化模型的改进;
S303对虚拟区域进行低层的感知虚拟请求量,根据感知量进行初步预测处理,分辨各种特征,建立虚拟化网络资源在时间维度的请求量进行预测模型;
S304采用机器学习的方法,结合超密集环境下以节能为目标的无线虚拟化网络资源映射方法及异构网络虚拟资源多目标映射方法设计动态环境下虚拟化网络资源映射的优化方案,实现动态环境下虚拟化网络资源预测及分配策略;
S305采用步态认证的原理,根据用户的速度进行分析,当速度小于某个值时,判定此用户为静止的,根据用户请求的业务及所处的位置分配相应的基站的资源,当速度大于某个值时,判定此用户在快速移动,根据用户请求的业务,虚拟资源随用户移动而迁徙,当速度取于以上二者之间时或来回移动时,分析多基站的协作,把相同的资源同时分配给多个协作的基站。
CN202110101819.7A 2021-01-26 2021-01-26 一种虚拟化无线接入边缘云中web应用切片生成方法 Active CN112887142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110101819.7A CN112887142B (zh) 2021-01-26 2021-01-26 一种虚拟化无线接入边缘云中web应用切片生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110101819.7A CN112887142B (zh) 2021-01-26 2021-01-26 一种虚拟化无线接入边缘云中web应用切片生成方法

Publications (2)

Publication Number Publication Date
CN112887142A true CN112887142A (zh) 2021-06-01
CN112887142B CN112887142B (zh) 2022-01-21

Family

ID=76051860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110101819.7A Active CN112887142B (zh) 2021-01-26 2021-01-26 一种虚拟化无线接入边缘云中web应用切片生成方法

Country Status (1)

Country Link
CN (1) CN112887142B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113473498A (zh) * 2021-06-15 2021-10-01 中国联合网络通信集团有限公司 网络切片资源编排方法、切片编排器及编排系统
CN113726692A (zh) * 2021-08-30 2021-11-30 电子科技大学 一种基于生成对抗网络的虚拟网络映射方法及装置
CN113923129A (zh) * 2021-09-08 2022-01-11 中国人民解放军战略支援部队信息工程大学 基于数据驱动的vnf需求预测方法及系统
CN116436782A (zh) * 2023-06-09 2023-07-14 中国电信股份有限公司四川分公司 一种体现业务意愿的确定性网络传输方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107241223A (zh) * 2017-06-07 2017-10-10 重庆电子工程职业学院 一种基于sdr和虚拟化技术资源弹性协作映射方法及装置
CN108965024A (zh) * 2018-08-01 2018-12-07 重庆邮电大学 一种5g网络切片基于预测的虚拟网络功能调度方法
WO2020049181A1 (en) * 2018-09-07 2020-03-12 NEC Laboratories Europe GmbH System and method for network automation in slice-based network using reinforcement learning
CN110996334A (zh) * 2019-12-09 2020-04-10 衡阳师范学院 一种虚拟化无线网络功能编排策略
CN110995514A (zh) * 2019-12-30 2020-04-10 西安电子科技大学 一种多维度的端到端网络切片生成装置及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107241223A (zh) * 2017-06-07 2017-10-10 重庆电子工程职业学院 一种基于sdr和虚拟化技术资源弹性协作映射方法及装置
CN108965024A (zh) * 2018-08-01 2018-12-07 重庆邮电大学 一种5g网络切片基于预测的虚拟网络功能调度方法
WO2020049181A1 (en) * 2018-09-07 2020-03-12 NEC Laboratories Europe GmbH System and method for network automation in slice-based network using reinforcement learning
CN110996334A (zh) * 2019-12-09 2020-04-10 衡阳师范学院 一种虚拟化无线网络功能编排策略
CN110995514A (zh) * 2019-12-30 2020-04-10 西安电子科技大学 一种多维度的端到端网络切片生成装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘耕等: "一种联合网络与计算资源的泛在切片系统架构", 《通讯世界》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113473498A (zh) * 2021-06-15 2021-10-01 中国联合网络通信集团有限公司 网络切片资源编排方法、切片编排器及编排系统
CN113473498B (zh) * 2021-06-15 2023-05-19 中国联合网络通信集团有限公司 网络切片资源编排方法、切片编排器及编排系统
CN113726692A (zh) * 2021-08-30 2021-11-30 电子科技大学 一种基于生成对抗网络的虚拟网络映射方法及装置
CN113923129A (zh) * 2021-09-08 2022-01-11 中国人民解放军战略支援部队信息工程大学 基于数据驱动的vnf需求预测方法及系统
CN113923129B (zh) * 2021-09-08 2023-08-29 中国人民解放军战略支援部队信息工程大学 基于数据驱动的vnf需求预测方法及系统
CN116436782A (zh) * 2023-06-09 2023-07-14 中国电信股份有限公司四川分公司 一种体现业务意愿的确定性网络传输方法
CN116436782B (zh) * 2023-06-09 2023-09-29 中国电信股份有限公司四川分公司 一种体现业务意愿的确定性网络传输方法

Also Published As

Publication number Publication date
CN112887142B (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
CN112887142B (zh) 一种虚拟化无线接入边缘云中web应用切片生成方法
US11410046B2 (en) Learning-based service migration in mobile edge computing
Wang et al. Intelligent cognitive radio in 5G: AI-based hierarchical cognitive cellular networks
CN112953778B (zh) 智融标识网络中基于意图驱动的服务编排系统和方法
Kiran et al. Joint resource allocation and computation offloading in mobile edge computing for SDN based wireless networks
Stojmenovic Fog computing: A cloud to the ground support for smart things and machine-to-machine networks
Vhora et al. A comprehensive survey on mobile edge computing: challenges, tools, applications
Maia et al. An improved multi-objective genetic algorithm with heuristic initialization for service placement and load distribution in edge computing
Akhlaqi et al. Task offloading paradigm in mobile edge computing-current issues, adopted approaches, and future directions
Haidine et al. Artificial intelligence and machine learning in 5G and beyond: a survey and perspectives
Chaoub et al. Hybrid self-organizing networks: Evolution, standardization trends, and a 6G architecture vision
Temesgene et al. Softwarization and optimization for sustainable future mobile networks: A survey
Garg et al. SDN-NFV-Aided edge-cloud interplay for 5G-envisioned energy internet ecosystem
Mirzaei et al. Cooperative virtual connectivity control in uplink small cell network: towards optimal resource allocation
Zhou et al. Knowledge transfer and reuse: A case study of AI-enabled resource management in RAN slicing
Shi et al. Service migration or task rerouting: A two-timescale online resource optimization for mec
Tekiyehband et al. An efficient dynamic service provisioning mechanism in fog computing environment: A learning automata approach
Li et al. Task computation offloading for multi-access edge computing via attention communication deep reinforcement learning
Gu et al. AI-Enhanced Cloud-Edge-Terminal Collaborative Network: Survey, Applications, and Future Directions
CN115250156A (zh) 一种基于联邦学习的无线网络多信道频谱接入方法
Chang et al. Low-latency controller load balancing strategy and offloading decision generation algorithm based on lyapunov optimization in SDN mobile edge computing environment
Du et al. Adaptive joint placement of edge intelligence services in mobile edge computing
Garrido et al. Machine learning for network slicing in future mobile networks: design and implementation
Liu et al. Deep reinforcement learning-based resource allocation for smart grid in RAN network slice
Dan et al. 5g applications in mobile edge computing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant