CN117915360A - 一种5g网络切片模板自生成与选择接入方法及系统 - Google Patents
一种5g网络切片模板自生成与选择接入方法及系统 Download PDFInfo
- Publication number
- CN117915360A CN117915360A CN202311823224.8A CN202311823224A CN117915360A CN 117915360 A CN117915360 A CN 117915360A CN 202311823224 A CN202311823224 A CN 202311823224A CN 117915360 A CN117915360 A CN 117915360A
- Authority
- CN
- China
- Prior art keywords
- network
- slice
- slicing
- parameters
- network slice
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004891 communication Methods 0.000 claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 230000006855 networking Effects 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 21
- 238000007726 management method Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000013468 resource allocation Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000002955 isolation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000003032 molecular docking Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- ISRUGXGCCGIOQO-UHFFFAOYSA-N Rhoden Chemical compound CNC(=O)OC1=CC=CC=C1OC(C)C ISRUGXGCCGIOQO-UHFFFAOYSA-N 0.000 claims 1
- 238000013461 design Methods 0.000 description 8
- 238000004808 supercritical fluid chromatography Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000005641 tunneling Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于5G网络切片生成与管理技术领域,公开了一种5G网络切片模板自生成与选择接入方法及系统;在用户和核心网的通信链路之间加入基于深度Q网络的网络切片参数识别器网元;识别器网元输入用户的业务流量,输出一系列的网络切片参数;部署半实物仿真平台,通过接收所述网络切片参数实现网络切片模板系统组网的部署;通过所述网络切片模板系统组网实现基于FlexRIC的流量监控和切片控制,使切片控制xApp根据网络切片参数映射为具体的RAN侧切片指标;通过切片模板选择和接入来满足用户的具体需求。本发明实现端到端的网络切片接入服务,为用户实现自动化的网络切片模板分配,优化用户的网络QoS和综合服务体验。
Description
技术领域
本发明属于5G网络切片生成与管理技术领域,具体涉及5G网络切片模板自生成与选择接入方法及系统。
背景技术
5G时代电信业务呈现出多场景、差异化、需求动态变化等特点,网络切片作为5G的关键使能技术之一,将现有物理网络进行业务逻辑分割,形成独立的业务逻辑网络,能够为具有不同性能要求的垂直行业提供差异化、相互隔离、功能定制的网络服务。5G网络切片技术使多个逻辑网络能够通过云和虚拟化技术共享同一套物理基础设施,在保证服务等级协议(Service LevelAgreement,SLA)的同时,可以有效节约成本。
新应用的涌现越来越快,业务需求变化更加实时动态,对新兴垂直应用的支持却远远超过了现有第五代(5G)网络的能力。具体来说,为了并发供应异构垂直服务,需要一种极其灵活、自适应和智能的网络体系结构,这直接与当今“一刀切”的网络设计范例相矛盾。
因此,新的网络设计和运营方法引起了研究的关注,包括网络切片和人工智能(AI)辅助通信和网络技术。
然而网络基础设施变得越来越复杂、异构、大规模,而新应用的涌现却越来越快,业务需求变化更加实时动态,网络切片管理面临很大挑战。因此,通过对5G网络切片自生成和管理模板的研究可以有效的利用当今的高速计算手段来动态管理5G网络切片的资源分配,优化用户的网络QoS(Quality ofService)与服务体验。
文献[J.Mei,X.Wang and K.Zheng,"An intelligent self-sustained RANslicing framework for diverse service provisioning in 5G-beyond and 6Gnetworks,"in Intelligent and ConvergedNetworks,vol.1,no.3,pp.281-294,Dec.2020,doi:10.23919/ICN.2020.0019.]提出了一种自维持的无线接入网(RadioAccess Network,RAN)切片框架,它基于以下的三个关键支柱:多粒度网络资源的自管理、网络关键性能指标(Key Performance Indicators,KPIs)的自优化和未知情况自学习调整策略。提出的RAN切片框架采用分层结构,将RAN切片控制分为网络级切片、下一代NodeB(gnb)级切片和分组调度级切片三个层次。在网络级别,网络资源以大的时间尺度以粗的资源粒度分配给每个gnb;在gnb级别,每个gnb在大时间尺度上调整单元中每个片的配置;在分组调度层面,每个gnb在较小的时间尺度上在每个网络片的用户之间分配无线电资源。
但是,该文献只给出了在RAN侧的切片方法,并且缺少一定的实际操作性。
文献[T.Li,L.Zhao,F.Song and C.Pan,"OAI-based End-to-EndNetworkSlicing,"2018IEEE 23rd International Conference on Digital Signal Processing(DSP),Shanghai,China,2018,pp.1-4,doi:10.1109/ICDSP.2018.8631616.]提出了一种核心网络切片方法,按照特定的顺序组织服务功能链(Service Function Chain,SFC),并且利用了现有的开源OAI项目代码结合软件无线电平台进行了半实物仿真平台的搭建,给出了eMBB和uRLLC场景下核心网侧网络切片模板的设计思路,在uRLLC场景下引入了移动边缘计算(Mobile Edge Computing,MEC)的方法以减少端到端的时延。
以上文献介绍的网络切片或接入方法在网络切片功能方面不够完善,并且都缺少一定的实际操作性。
发明内容
为了克服上述现有技术存在的不足,本发明的目的在于提供一种5G网络切片模板自生成与选择接入方法,该方法不仅涵盖了核心网侧切片的SFC设计,还包括了RAN侧的网络切片实现方法,实现端到端的网络切片接入服务,为用户实现自动化的网络切片模板分配,优化用户的网络QoS和综合服务体验。
为了实现上述目的,本发明采用的技术方案是:
一种5G网络切片模板自生成与选择接入方法,包括以下步骤;
步骤1:在用户和核心网的通信链路之间加入一个基于深度Q网络(Deep Q-Network,DQN)的网络切片参数识别器网元;识别器网元输入用户的业务流量,输出一系列的网络切片参数;
步骤2:部署基于OpenAirInterface(OAI)的5G NR半实物仿真平台,所述5G NR半实物仿真平台包括核心网、基站的主机以及USRP设备。此平台能够准确接收和处理步骤1所输出的网络切片参数,从而实现网络切片模板的系统组网;此外,平台的设计考虑了核心网侧和RAN侧网络切片的具体需求,确保了在核心网侧切片执行方式和RAN侧切分粒度上的灵活性和效率。
组网包括基于OAI的核心网和基站;
步骤2中所部署的核心网包括NSSF(Network Slice SelectionFunction,为用户设备(UE)选择合适的网络切片)网元,接收步骤1的网络切片参数作为核心侧网络切片的数据指导,并且还为步骤3中的流量监控和切片控制提供软硬件平台支持;
步骤3:通过所述网络切片模板系统组网实现基于FlexRIC(Flexible RANIntelligent Controller,灵活无线接入网控制器,用于对RAN侧进行物理时频资源的切分)的流量监控和切片控制,使切片控制xApp(一种实现某种功能的应用程序,属于FlexRIC套件中的一个组件)根据步骤1传来的网络切片参数映射为具体的RAN侧切片指标;
步骤4:网络切片参数传递到步骤2所述的5G的NR半实物仿真平台,同时平台上运行步骤3的FlexRIC,进行RAN侧的网络切片;核心网侧和RAN侧的切片构成切片模板系统选择接入的两个主要步骤,通过切片模板选择和接入满足用户的具体需求。
所述步骤1,基于深度Q网络的网络切片参数识别器网元具体架构为:
输入层:接收用户的业务流量数据,为pcap数据包;
数据预处理模块:转换流量数据为模型可处理的格式,如特征向量化。提取关键信息如数据包大小、时间戳、源/目的IP等;
深度学习模块:核心部分,包含多层神经网络。深度Q网络(DQN)用于学习和预测最优的网络切片策略;
输出层:产出网络切片参数,包括服务质量等级、流量识别规则、资源分配类型(核心网侧切片的参数)和分配和保留带宽、时频资源的切片粒度和物理层参数(RAN侧切片的参数)。
工作逻辑:
数据采集:收集用户的业务流量数据,这些数据可能包括视频、VoIP(Voice overInternet Protocol,它允许用户通过互联网进行语音通信,而不是传统的电话线路)、数据传输等不同类型的流量。
特征提取:将采集到的数据转换成模型可以理解的格式。这涉及到对数据包的解析,提取关键特征。
DQN学习和预测:
学习阶段:DQN通过历史数据(用户业务流量的典型场景数据集)学习用户流量的特征和网络需求,自动调整内部权重以优化预测准确性。
预测阶段:基于当前输入流量数据,DQN预测出最佳的网络切片参数。
输出决策:生成的切片参数包括为不同类型的流量分配的服务质量等级、流量识别规则、资源分配类型(核心网侧切片的参数)和分配和保留带宽、时频资源的切片粒度和物理层参数(RAN侧切片的参数)。
参数传递:这些参数将传递给后续的网络切片模板系统(如核心网中的NSSF网元和RAN侧的xApp)以供进一步处理。
特点:
自适应性:能够根据不断变化的网络条件和用户行为自动调整切片策略。
高效性:快速处理和分析大量数据,实现实时或近实时的网络切片决策。
精确性:利用深度学习的优势,能够提供高度精确的流量分析和切片参数预测。
所述步骤1输出的网络切片参数作为用户的网络需求传递给步骤2、步骤3所组成的的网络切片模板系统,作为步骤4中切片模板的选择接入的决策依据;
所述步骤1中,网络切片参数代表了用户的网络需求,识别器网元用于给核心网侧和RAN侧传递用户网络需求,输出的网络切片参数包括两部分:一部分传递给核心网中的NSSF(Network Slice Selection Function)网元,另一部分传递给与RAN侧通信的xApp。
所述NSSF网元(核心网侧)涉及服务质量和用户体验,网络切片参数包括服务质量等级(QoS Level)、流量识别规则和资源分配类型;
其中:
服务质量等级用于确定每个网络切片的服务质量等级,如延迟、吞吐量和数据速率;
流量识别规则用于识别不同类型的流量(如视频、VoIP、数据等),以便将其分配到正确的网络切片;
资源分配类型用于判断切片是否需要专用资源或共享资源。
所述RAN侧(无线接入网侧)的网络切片参数用于关注物理资源的分配和优化,包括分配和保留带宽、时频资源的切片粒度和物理层参数;
所述分配和保留带宽用于确定每个网络切片在物理层面上应分配多少带宽资源;
所述时频资源的切片粒度用于在无线频谱上进行细粒度的资源切片,如时间槽和频率带宽的分配。
所述物理层参数为功率控制、天线配置和传输模式。
NSSF网元(核心网侧)和RAN侧(无线接入网侧)的网络切片参数在区分时,采用一个包含特定字段和标识符的协议结构,协议头部用于区分数据是针对NSSF还是RAN;数据载荷包含针对NSSF或RAN的特定数据。
所述步骤2中,5G NR半实物仿真平台包括核心网、基站的主机以及USRP(Universal Software Radio Peripheral)设备;
所述核心网通过网络虚拟化和软件定义网络,实现组网中的数据处理和路由、用户会话管理、移动性管理;基站(gNB)的主机搭载基于OAI的基站软件仿真代码,同时用作基站的基带处理单元,负责执行数字信号处理任务并且与核心网进行通信,USRP设备用作射频信号收发。
所述步骤3中,FlexRIC中包括外部应用程序xApp,通过定义与识别器网元的专用接口,获取识别器网元传来的参数,并且通过客制化xApp的切片控制程序功能,RAN侧切片指标为资源块(Resource Block,RB)的切片粒度大小,上行链路(UL)和下行链路(DL)分配时隙的比例。
所述步骤4中,通过将网络切片参数识别器输出的参数传递给核心网特定网元,核心网将会选择一套SFC作为特定的核心网络切片模板,并且指示AMF(Access and MobilityManagement Function)网元进行后续的端到端通信链路分配;通过识别器与客制化切片xApp的参数传递与映射,xApp将会对RAN侧执行对应大小粒度的切片,至此整个端到端切片的核心网侧网络切片和RAN侧切片功能服务构建完成。
所述步骤1具体包括以下步骤:
步骤1.1:用户业务流量采集:
将用户的业务流量数据采集为pcap数据包以供分析,pcap数据包包括pcap包头、数据包包头和数据包内容;
pcap包头是文件的开始部分,通常只有一次,包含了与整个文件相关的元数据,具体为版本号、时间戳精度、数据包捕获的最大长度,为解析器提供了解整个文件所需的全局信息,解读文件中的数据;
数据包包头包含了每个数据包的信息,如数据包的实际长度、捕获长度(可能由于截断而小于实际长度)、时间戳,使解析器能够知道如何处理每个独立的数据包;
数据包内容包括从网络中捕获的原始数据字节,原始数据字节是任何类型的网络通信数据,为TCP/UDP数据包、IP头部,包含了传输的实际数据和信息;
通过pcap数据包得到用户业务流量,用户业务流量采集用于提供必要的数据基础;
步骤1.2:切片参数生成
将步骤1.1所采集的用户的业务流量(pcap数据包)通过基于深度Q网络的网络切片参数识别器网元进行分析,随后用户业务流量中提取的网络需求转化为对应的网络切片参数,一部分传递给核心网中的NSSF网元,NSSF网元将给AMF(Access and MobilityManagement Function)网元传递SFC分配信息;另一部分包含RAN侧的物理资源切片信息传递给FlexRIC套件中的xApp。
所述步骤2具体包括以下步骤:
步骤2.1:部署基于OAI的核心网(Core Network,CN)
使用OpenAirInterface的5G NR半实物仿真平台开源套件进行自组网和网络切片模板的构建;
搭建实现5G NR CN平台,参照OAI官方文档,拉取核心网的AMF、AUSF、NRF、SMF、UDR、UDM、UPF(SPGWU)和MYSQL网元部署到CN主机上,经过同步组件步骤之后,启动核心网,创建一个名为demo-oai、IP为192.168.70.128/26的网桥;
步骤2.2:部署基于OAI的基站(gNodeB,gNB)
使用自组网gNB,包括基于openairinterface5g开源代码和作为射频信号收发端的USRP的半实物仿真平台,在gNB主机上面部署openairinterface5g项目代码,然后进行整个仿真基站(包括USRP侧)代码的编译,基站能够正常工作;
将CN和gNB相互连接组成了OAI系统;
步骤2.3:连接步骤2.1的CN和步骤2.2gNB,完成OAI系统的搭建
基于步骤2.1和2.2中联通好的OAI系统进行测试,修改CN和gNB中的配置参数:修改CN主机中核心网代码的配置文件,将公共陆地移动网(PLMN)信息的MCC改为001,MNC改为01;然后将gNB主机上的配置文件中的AMF的IP地址改为与CN中的一致,gNB面相AMF的接口地址改为与gNB主机IP地址一致;
测试主机间的ping连通性:启动CN之后,gNB主机ping CN中的AMF网元成功,说明了两台主机处于同一个网关下且连通性正常;
步骤2.4:基于连通的OAI系统,进行终端的接入
使用5G通信模组RM500Q-GL进行终端接入的验证,在模组接入OAI系统后,CN的AMF网元日志中显示出模组的状态为REGISTERED。
所述步骤3具体包括以下步骤:
步骤3.1:使用FlexRIC(Flexible RAN Intelligent Controller)内建的trafficmonitor xApp进行流量监控,流量监控的通信流程如下:E2 Node(在O-RAN(开放无线接入网)架构中是一个关键组件,通过补丁与RAN侧集成到一起,与NEAR-RIC之间通过E2协议通信,主要功能是通过一系列的“服务模型”(Service Models,SMs)向外部应用(xApp)暴露可以被监控或控制的功能)作为FlexRIC在RAN侧的通信代理节点,在E2 Node和NEAR-RIC(近实时无线接入网智能控制器)完成初始化之后,xApp会通过NEAR-RIC向E2节点发送一个订阅请求,订阅完成之后,E2节点将会下发RAN侧的状态信息到xApp,并且将会全部存储在数据库中;订阅删除流程同上;
步骤3.2:使用FlexRIC内建的Slicing control xApp执行切片控制功能,具体的通信流程如下:在RAN侧FlexRIC通过部署E2 Node代理和其他组件进行通信;NEAR-RIC作为中间通信组件,完成与E2 Node和xApp的对接,并且负责全网级别的宏观调控;xApp向E2Node发出控制请求,当E2 Node回复确认控制请求之后,整个切片控制流程就完成了建立;xApp内的切片程序将会通过NEAR-RIC对RAN侧进行设定的切片操作。
所述步骤3.1和步骤3.2在RAN侧网络管理和优化中所扮演的互补和协同角色:流量监控提供了切片控制所需的实时网络状态数据,而切片控制则基于这些数据进行有效的网络资源分配和优化。
所述步骤4具体为:
步骤4.1:核心网侧网络切片模板
在核心网主机上部署了基于OAI的切片场景核心网仿真代码,当UE接入时,PDU(Packet Data Unit)建立会话请求;NSSF网元帮助AMF网元发现适当的NRF(NetworkRepository Function);
NRF在5G网络中扮演着中心注册和发现的角色,主要用于管理网络功能的注册和发现;进而选择适当的UPF(UserPlane Function),UPF负责处理用户数据的转发,是UE的流量锚点。此外,为了实现所有接口的隔离,核心网中引入了通用分组无线业务隧道协议(GTP),在gNB和核心网之间形成了虚拟的传输管道,实现了切片之间的相互隔离性;
步骤4.2:网络切片模板的选择性接入
在建立好了步骤4.1的基础上,核心网侧的切片模板就有不同场景下的选择接入方案,通过识别器网元传递的网络切片参数来完成网络切片模版的选择接入。例如外界接入一个业务流量后,识别器网元检测到流量的延迟很高,应当分配一个uRLLC场景的切片,识别器网元将会生成对应的网络切片参数。
其中对应的核心网侧参数传递给NSSF网元作为指示信息,AMF后续接收到指示信息后将会给SFC配置高优先级和严格的QoS策略,确保uRLLC流量在网络中得到优先处理;
另一部分RAN侧的参数通过xApp与识别器的接口传递,参数映射为切片xApp程序的具体切片执行方案,在无线频谱中划分专用的RB给uRLLC切片使用,以减少与其他类型流量的干扰,配置gNB(基站)以支持低延迟传输,包括较短的TTI(Transmission TimeInterval)和预调度机制。
本发明的另一目的在于提供一种5G网络切片模板自生成与选择接入系统,包括:
网络切片参数识别器:配置于用户和核心网通信链路之间,基于深度Q网络技术,用于输入用户的业务流量数据并输出相应的网络切片参数;
5G NR半实物仿真平台:基于OpenAirInterface构建,包括核心网、基站主机及USRP设备,负责接收网络切片参数,并根据这些参数实现网络切片模板系统的组网部署;
流量监控与切片控制模块:集成在所述网络切片模板系统中,基于FlexRIC技术,根据网络切片参数,实现流量监控和切片控制,将这些参数映射为具体的侧切片指标;
RAN侧网络切片执行单元:在所述5G NR半实物仿真平台上运行,进行RAN侧的网络切片处理,通过选择和接入合适的切片模板来满足用户的具体需求。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
本发明提出的5G网络切片方法融合了五个关键方面,形成了一个高效且灵活的网络解决方案,提供了一种全面、高效且灵活的方式来应对5G网络中多样化和高标准的服务需求。
第一,它实现了数据驱动的切片参数生成,通过精确采集和分析用户业务流量数据,确保了网络切片的有效性和针对性。
第二,描述的核心网和RAN侧的高效部署过程确保了整个网络的稳定性和功能完整性,为未来的扩展和维护提供了坚实基础。
第三,实时的流量监控与动态切片控制相结合,增强了网络的灵活性和响应速度,尤其适用于对高可靠性和低延迟有严格要求的应用场景。
第四,步骤4.1中的核心网切片模板展示了高度的灵活性和高性能用户数据处理能力,满足多样化服务。
第五,步骤4.2中的精确和高效的场景特定切片接入,特别强调了对uRLLC场景的支持,通过精确配置核心网和RAN侧的参数,确保了高优先级和服务质量。
本发明的积极技术效果和显著技术进步还包括:
提升网络切片的自动化和智能化:通过深度Q网络自动识别用户的业务流量,输出网络切片参数,实现网络切片过程的自动化和智能化。这大幅减少了人工干预的需求,提高了网络运营的效率。根据用户的具体需求和网络状况,自动生成和选择合适的网络切片模板,为用户提供更加个性化的网络服务。
提高服务质量(QoS)和用户体验:通过FlexRIC实现的流量监控和切片控制确保不同业务流量获得相应的服务质量,从而提高整体网络的性能和用户体验。智能化的资源分配机制,能够更加高效和准确地分配网络资源,减少资源浪费,提高网络的整体性能。
增强网络的适应能力和可扩展性:本发明能够根据实时网络条件和用户需求动态调整,提供强大的网络适应能力。由于其高度的灵活性和可扩展性,本发明适用于多种不同的网络环境和应用场景,包括高密度城市区域、远程地区、紧急情况响应等。
促进5G网络技术的发展:本发明在5G网络切片技术领域提供了一种新的方法论,为未来5G网络的发展和创新提供了有价值的参考。通过提供更加灵活和高效的网络切片方案,本发明促进了5G技术在不同领域的应用,包括物联网、自动驾驶汽车、智慧城市等。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的系统整体流程图。
图2是本发明实施例提供的OAI 5G基本场景下CN的网络拓扑结构图。
图3是本发明实施例提供的UE接入后OAI系统状态。
图4是本发明实施例提供的FlexRIC流量监控流程图。
图5是本发明实施例提供的FlexRIC切片控制流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明的目的在于提供一种5G网络切片模板自生成与选择接入方法,此方法不仅涵盖了核心网侧切片的SFC设计,还包括了RAN侧的网络切片实现方法,实现端到端的网络切片接入服务,为用户实现自动化的网络切片模板分配,优化用户的网络QoS和综合服务体验。
本发明实施例的两个具体应用实施例为:
实施例一:高密度城市区域
在高密度城市区域,用户的业务流量多样且密集。这里,基于深度Q网络的识别器网元会分析这些复杂的数据流量,识别出不同类型的服务需求(如视频流、社交媒体、企业数据等),并生成相应的网络切片参数。
这些参数随后被传递给基于OpenAirInterface的5GNR半实物仿真平台,该平台模拟真实的网络环境,包括核心网和基站,以便测试和优化网络切片配置。通过FlexRIC实现的流量监控和切片控制模块,将识别出的网络切片参数映射成具体的RAN侧切片指标,实现针对城市区域高密度流量的有效管理。
最后,根据用户需求和网络条件,系统会选择和接入最合适的切片模板,确保在高负载情况下也能保持高效和稳定的网络服务。
实施例二:紧急响应场景
在紧急情况下(如自然灾害或大型公共事件),网络切片参数识别器网元快速处理紧急通信需求,如救援队伍之间的通信、公共安全信息的传输等。通过5G NR半实物仿真平台,迅速部署适应紧急情况的网络切片,确保关键通信链路的稳定和高效。
利用FlexRIC进行流量监控和切片控制,优先处理救援和安全相关的数据流量,确保在网络资源紧张时优先满足紧急需求。
根据实时的网络状况和用户需求,动态调整网络切片,以满足紧急响应场景中的特殊需求。
本发明主要针对以下现有技术的问题和缺陷进行改进,实现显著的技术进步:
网络切片的灵活性和自动化:传统的网络切片方法缺乏灵活性,无法自动适应不同用户的业务需求和网络条件的变化。
服务质量(QoS)的保证:在复杂的网络环境中,保持服务质量并满足不同业务流量的需求是一个挑战。
资源分配的效率:有效和高效地分配网络资源以满足多样化服务的需求是一个关键问题。
针对现有技术存在的问题,本发明采用的技术方案为:
提高网络切片的自动化和灵活性:通过深度Q网络自动识别和适应用户需求和网络状况,提高网络切片的灵活性和自动化水平。
保证服务质量(QoS):确保不同业务流量获得合适的服务质量,满足多样化的网络需求。
资源分配的高效性:通过智能化的方式优化资源分配,提高网络的整体效率。
如图1所示:一种5G网络切片模板自生成与选择接入方法,包括以下步骤;
步骤1:用户业务流量数据采集:在用户和核心网的通信链路之间加入一个基于深度Q网络(Deep Q-Network,DQN)的网络切片参数识别器网元,识别器网元的输入是用户的业务流量,输出是一系列的网络切片参数,它代表了用户的网络需求。由于识别器用于给核心网侧和RAN侧传递用户网络需求,故网络切片参数包括两部分:一部分传递给核心网中的NSSF(Network Slice Selection Function)网元,另一部分传递给与RAN侧通信的xApp,参数信息包含服务质量等级、分配和保留带宽、流量识别规则以及资源分配类型等等,此参数作为用户的网络需求传递给后端的网络切片模板系统,来进行一套切片模板的选择接入;
步骤2:部署基于OpenAirInterface(OAI)的5G NR半实物仿真平台,平台包括核心网和基站的主机,以及USRP(Universal Software Radio Peripheral)设备。核心网主机通过网络虚拟化和软件定义网络等技术,实现了组网中的数据处理和路由、用户会话管理、移动性管理等等功能。基站(gNB)主机搭载了基于OAI的基站软件仿真代码,同时用作基站的基带处理单元,负责执行数字信号处理任务并且与核心网进行通信,USRP设备用作射频信号收发。通过以上设备的部署,实现网络切片模板系统组网的部署;
步骤3:实现基于FlexRIC的流量监控和切片控制,FlexRIC套件中包括应用程序功能xApp,通过定义与网络切片参数识别器的专用接口,可以获取识别器传来的参数,并且通过客制化xApp的切片控制程序功能,可以使切片控制程序根据传来的网络切片参数映射为具体的RAN侧切片指标,比如资源块(Resource Block,RB)的切片粒度大小,上行链路(UL)和下行链路(DL)分配时隙的比例等等。
步骤4:切片模板系统选择接入:通过将网络切片参数识别器输出的参数传递给核心网特定网元,核心网将会选择一套SFC作为特定的核心网络切片模板,并且指示AMF(Access and Mobility Management Function)网元进行后续的端到端通信链路分配;通过识别器与客制化切片xApp的参数传递与映射,xApp将会对RAN侧执行对应大小粒度的切片,至此整个端到端切片的核心网侧网络切片和RAN侧切片功能服务构建完成。
第一步是系统的基础,它通过精确的数据采集为整个系统提供了关键的输入信息;第二步通过高效的仿真平台建立起系统的硬件和软件基础,为后续的流量监控和切片控制提供支持;第三步的流量监控和切片控制是系统的核心,它直接影响了网络切片的效率和性能;第四步确保了系统的整体性能,通过有效的切片模板选择和接入来满足用户的具体需求
所述步骤1具体包括以下步骤:
步骤1.1:用户业务流量采集
将用户的业务流量数据采集为pcap数据包以供分析,pcap数据包通常包括pcap包头,数据包包头和数据包内容;pcap包头是文件的开始部分,通常只有一次,包含了与整个文件相关的元数据,比如版本号、时间戳精度、数据包捕获的最大长度等,提供了解析整个文件所需的全局信息,它告诉解析器如何解读文件中的数据;数据包包头包含了特定于每个数据包的信息,如数据包的实际长度、捕获长度(可能由于截断而小于实际长度)、时间戳等,它提供了每个数据包的具体信息,使解析器能够知道如何处理每个独立的数据包;数据包的实际内容包括从网络中捕获的原始数据字节,这部分数据可以是任何类型的网络通信数据,例如TCP/UDP数据包、IP头部等,它是分析的主要部分,包含了传输的实际数据和信息。
步骤1.2:切片参数生成
将用户的业务流量通过一个基于DQN算法的智能化切片参数识别器网元进行分析,随后用户的网络需求转化为对应的网络切片参数,一部分传递给核心网中的NSSF网元,NSSF网元得到这些信息之后,将给AMF网元传递SFC分配信息;另一部分包含的是RAN侧的物理资源切片信息,将会传递给FlexRIC套件中的xApp。
步骤1.1提供了必要的数据基础,而步骤1.2则是基于这些数据进行智能化分析和切片参数的生成,两者共同确保了网络切片的有效性和针对性。
所述步骤2具体包括以下步骤:
步骤2.1:部署基于OAI的核心网(Core Network,CN)
本发明使用OpenAirInterface的5G NR半实物仿真平台开源套件进行自组网和网络切片模板的构建;
首先是实现5G NR CN平台的搭建,参照OAI官方文档,拉取核心网的AMF、AUSF、NRF、SMF、UDR、UDM、UPF(SPGWU)和MYSQL网元部署到CN主机上。经过同步组件步骤之后,启动核心网,会自动创建一个名为demo-oai、IP为192.168.70.128/26的网桥;
步骤2.2:部署基于OAI的基站(gNodeB,gNB)
使用自组网gNB包括基于openairinterface5g开源代码和作为射频信号收发端的USRP的半实物仿真平台,在gNB主机上面部署openairinterface5g项目代码,然后进行整个仿真基站(包括USRP侧)代码的编译,基站能够正常工作;
步骤2.3:连接CN和gNB,完成OAI系统的搭建
基于联通好的OAI系统进行测试,需修改CN和gNB中的配置参数:修改CN主机中核心网代码的配置文件,将公共陆地移动网(PLMN)信息的MCC改为001,MNC改为01;然后将gNB主机上的配置文件中的AMF的IP地址改为与CN中的一致,gNB面相AMF的接口地址改为与gNB主机IP地址一致;
测试主机间的ping连通性:启动CN之后,gNB主机ping CN中的AMF网元成功,说明了两台主机处于同一个网关下且连通性正常;设备之间的网络信息见表1:
表1
步骤2.4:基于连通的OAI系统,进行终端的接入
使用5G通信模组RM500Q-GL进行终端接入的验证,在模组接入OAI系统后,整个OAI系统的状态如图3所示,可见CN的AMF网元日志中显示出模组的状态为REGISTERED,基站侧显示UE接入后的帧数据信息;
步骤2.1建立了核心网络的基础,步骤2.2增加了无线接入点,步骤2.3确保了这些组件之间的通信和协作,最后步骤2.4验证了整个系统对终端设备的支持能力。每个步骤不仅是系统构建的一个阶段,也是对之前步骤的验证和测试,确保整个系统的稳定性和功能完整性。
所述步骤3具体包括以下步骤:
步骤3.1:使用FlexRIC(Flexible RAN Intelligent Controller)内建的trafficmonitor xApp进行流量监控,流量监控的通信流程如图4所示:E2节点作为FlexRIC在RAN侧的通信代理功能,在E2节点和NEAR-RIC(近实时无线接入网智能控制器)完成初始化之后,xApp会通过NEAR-RIC向E2节点发送一个订阅请求,订阅完成之后,E2节点将会下发RAN侧的状态信息到xApp,并且将会全部存储在数据库中;订阅删除流程同上;
步骤3.2:使用FlexRIC内建的Slicing control xApp执行切片控制功能,具体的通信流程如图5所示:在RAN侧FlexRIC通过部署E2 Node代理和其他组件进行通信;NEAR-RIC作为中间通信组件,完成与E2 Node和xApp的对接,并且负责全网级别的宏观调控;xApp向E2节点发出控制请求,当E2节点回复确认控制请求之后,整个切片控制流程就完成了建立。xApp内的切片程序将会通过NEAR-RIC对RAN侧进行设定的切片操作。
步骤3.1和3.2在RAN侧网络管理和优化中所扮演的互补和协同角色:流量监控提供了切片控制所需的实时网络状态数据,而切片控制则基于这些数据进行有效的网络资源分配和优化。
步骤4.1:核心网侧网络切片模板
在核心网主机上部署了基于OAI的切片场景核心网仿真代码,当UE接入时,PDU会话建立请求,核心网中的NSSF网元会帮助AMF网元发现适当的NRF(Network RepositoryFunction),NRF在5G网络中扮演着中心注册和发现的角色,主要用于管理网络功能的注册和发现;进而选择适当的UPF(User Plane Function),UPF负责处理用户数据的转发,是UE的流量锚点。此外,为了实现所有接口的隔离,核心网中引入了通用分组无线业务隧道协议(GTP),在gNB和核心网之间形成了虚拟的传输管道,实现了切片之间的相互隔离性;
步骤4.2:网络切片模板的选择性接入
在建立好了步骤4.1的基础上,核心网侧的切片模板就有不同场景下的选择接入方案,通过识别器网元传递的网络切片参数来完成网络切片模版的选择接入:例如外界接入一个业务流量后,识别器网元检测到流量的延迟很高,应当分配一个uRLLC场景的切片,识别器将会生成对应的网络切片参数。其中对应的核心网侧参数传递给NSSF网元作为指示信息,AMF后续接收到这些信息将会给这个SFC配置高优先级和严格的QoS策略,确保uRLLC流量在网络中得到优先处理;另一部分RAN侧的参数通过专用定制的xApp与识别器的接口传递,参数映射为切片xApp程序的具体切片执行方案,在无线频谱中划分专用的RB给uRLLC切片使用,以减少与其他类型流量的干扰,配置gNB(基站)以支持低延迟传输,包括较短的TTI(Transmission Time Interval)和预调度机制。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
应用实施案例:
在一个假设的应用实施案例中,将5G网络切片模板自生成与选择接入方法应用于智能网联汽车行业。该场景涉及实时远程监控和控制,以及对高速数据传输和低延迟通信的需求。
首先,在智能汽车和5G核心网之间部署基于深度Q网络(DQN)的网络切片参数识别器网元,实时收集来自车辆的业务流量数据,如车辆状态、定位信息和车载摄像头数据。这些数据通过识别器网元转化为网络切片参数,反映汽车对网络的需求。随后,使用OpenAirInterface(OAI)搭建5G NR半实物仿真平台,包括核心网和基站主机以及USRP设备,为测试和优化汽车的5G网络连接搭建模拟环境。基于FlexRIC实施流量监控和切片控制,监控智能汽车的实时流量,并根据网络切片参数实施RAN侧的切片控制,以优化网络性能。最后,核心网选择适当的SFC作为特定的核心网络切片模板,并执行RAN侧切片,确保智能汽车获得所需的网络资源,如高优先级的数据传输通道和支持uRLLC(超可靠低延迟通信)场景,以满足实时远程控制和高速数据传输的需求。
通过这种方式,5G网络切片技术在智能网联汽车行业中的应用可以显著提高数据通信的效率和可靠性,为智能交通系统的发展提供强有力的网络支撑。
本发明旨在给出一种既可以在核心网侧的选择接入方法和用户终端(UserEquipment,UE)接入后端到端的通信链路分配方案,又包括在RAN侧的切片方法。本发明不仅涵盖了以上方案中的经典切片算法和方法,而且还拓展出了新的设计思路,旨在填补这方面一定的空白,给出一种实际操作性较强的网络切片接入方法。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种5G网络切片模板自生成与选择接入方法,其特征在于,包括以下步骤;
步骤1:在用户和核心网的通信链路之间加入一个基于深度Q网络的网络切片参数识别器网元;识别器网元输入用户的业务流量,输出网络切片参数;
步骤2:部署基于OpenAirInterface的5GNR半实物仿真平台,所述5G NR半实物仿真平台包括核心网、基站的主机以及USRP设备,通过接收所述网络切片参数实现网络切片模板系统组网的部署;所述的网络切片参数为网络切片提供决策条件;
步骤3:通过所述网络切片模板系统组网实现基于FlexRIC的流量监控和切片控制,使切片控制xApp根据步骤1传来的网络切片参数映射为具体的RAN侧切片指标;
步骤4:网络切片参数在步骤2的5G NR半实物仿真平台上运行步骤3的FlexRIC,进行RAN侧的网络切片,通过切片模板选择和接入满足用户的具体需求。
2.如权利要求1所述的5G网络切片模板自生成与选择接入方法,其特征在于,所述步骤1,基于深度Q网络的网络切片参数识别器网元具体架构是:
输入层:接收用户的业务流量数据,为pcap数据包;
数据预处理模块:转换流量数据为模型可处理的格式,提取关键信息如数据包大小、时间戳、源/目的IP;
深度学习模块:包含多层神经网络,深度Q网络(DQN)用于学习和预测最优的网络切片策略;
输出层:产出网络切片参数,包括服务质量等级、流量识别规则、资源分配类型和分配和保留带宽、时频资源的切片粒度和物理层参数。
3.如权利要求1所述的5G网络切片模板自生成与选择接入方法,其特征在于,步骤2中所部署的网络切片模板系统组网包括NSSF网元,NSSF网元用于接收步骤1的网络切片参数作为核心侧网络切片的数据指导,为步骤3中的流量监控和切片控制提供软硬件平台支持。
4.如权利要求3所述的5G网络切片模板自生成与选择接入方法,其特征在于,所述步骤1中,网络切片参数为用户的网络需求,识别器网元用于给核心网侧和RAN侧传递用户网络需求,输出的网络切片参数包括两部分:一部分传递给核心网中的NSSF网元,另一部分传递给与RAN侧通信的xApp;
所述NSSF网元涉及服务质量和用户体验,网络切片参数包括服务质量等级、流量识别规则和资源分配类型;
其中:
服务质量等级用于确定每个网络切片的服务质量等级;
流量识别规则用于识别不同类型的流量,用于将其分配到正确的网络切片;
资源分配类型用于判断切片是否需要专用资源或共享资源;
所述RAN侧的网络切片参数用于关注物理资源的分配和优化,包括分配和保留带宽、时频资源的切片粒度和物理层参数;
所述分配和保留带宽用于确定每个网络切片在物理层面上应分配多少带宽资源;
所述时频资源的切片粒度用于在无线频谱上进行细粒度的资源切片,如时间槽和频率带宽的分配;
所述物理层参数为功率控制、天线配置和传输模式。
5.如权利要求1所述的5G网络切片模板自生成与选择接入方法,其特征在于,所述步骤1具体包括以下步骤:
步骤1.1:用户业务流量采集:
将用户的业务流量数据采集为pcap数据包以供分析,pcap数据包包括pcap包头、数据包包头和数据包内容;
pcap包头是文件的开始部分,为解析器提供了解整个文件所需的全局信息,解读文件中的数据;
数据包包头包含每个数据包的信息,使解析器能够知道如何处理每个独立的数据包;
数据包内容包括从网络中捕获的原始数据字节,为TCP/UDP数据包、IP头部,包含传输的实际数据和信息;
通过pcap数据包得到用户业务流量,用户业务流量采集用于提供必要的数据基础;
步骤1.2:切片参数生成
将步骤1.1所采集的用户的业务流量通过基于深度Q网络的网络切片参数识别器网元进行分析,随后用户业务流量中提取的网络需求转化为对应的网络切片参数,一部分传递给核心网中的NSSF网元,NSSF网元将给AMF网元传递SFC分配信息;另一部分包含RAN侧的物理资源切片信息传递给FlexRIC套件中的xApp。
6.如权利要求1所述的5G网络切片模板自生成与选择接入方法,其特征在于,所述步骤2中核心网通过网络虚拟化和软件定义网络,实现组网中的数据处理和路由、用户会话管理、移动性管理;
基站的主机搭载基于OAI的基站软件仿真代码,同时用作基站的基带处理单元,负责执行数字信号处理任务并且与核心网进行通信;
USRP设备用作射频信号收发。
7.如权利要求6所述的5G网络切片模板自生成与选择接入方法,其特征在于,所述步骤2具体包括以下步骤:
步骤2.1:部署基于OAI的核心网
使用OpenAirInterface的5G NR半实物仿真平台开源套件进行自组网和网络切片模板的构建;
搭建实现5G NR CN平台,拉取核心网的AMF、AUSF、NRF、SMF、UDR、UDM、UPF和MYSQL网元部署到CN主机上,经过同步组件步骤之后,启动核心网,创建一个网桥;
步骤2.2:部署基于OAI的基站(gNodeB,gNB)
使用自组网gNB,包括基于openairinterface5g开源代码和作为射频信号收发端的USRP的半实物仿真平台,在gNB主机上面部署openairinterface5g项目代码,然后进行整个仿真基站代码的编译,基站能够正常工作;
将CN和gNB相互连接组成了OAI系统;
步骤2.3:连接步骤2.1的CN和步骤2.2gNB,完成OAI系统的搭建
基于步骤2.1和2.2中联通好的OAI系统进行测试,修改CN和gNB中的配置参数:修改CN主机中核心网代码的配置文件,将公共陆地移动网信息的MCC改为001,MNC改为01;然后将gNB主机上的配置文件中的AMF的IP地址改为与CN中的一致,gNB面相AMF的接口地址改为与gNB主机IP地址一致;
测试主机间的ping连通性:启动CN之后,gNB主机ping CN中的AMF网元成功;
步骤2.4:基于连通的OAI系统,进行终端的接入
使用5G通信模组RM500Q-GL进行终端接入的验证,在模组接入OAI系统后,CN的AMF网元日志中显示出模组的状态为REGISTERED。
8.如权利要求1所述的5G网络切片模板自生成与选择接入方法,其特征在于,所述步骤3具体包括以下步骤:
步骤3.1:使用FlexRIC内建的traffic monitorxApp进行流量监控;
流量监控的通信流程如下:E2 Node作为FlexRIC在RAN侧的通信代理节点,在E2 Node和NEAR-RIC完成初始化之后,xApp通过NEAR-RIC向E2节点发送一个订阅请求,订阅完成之后,E2节点将会下发RAN侧的状态信息到xApp,并且将会全部存储在数据库中;订阅删除流程同上;
步骤3.2:使用FlexRIC内建的Slicing control xApp执行切片控制功能;
具体的通信流程如下:在RAN侧FlexRIC通过部署E2 Node代理和其他组件进行通信;NEAR-RIC作为中间通信组件,完成与E2 Node和xApp的对接,并且负责全网级别的宏观调控;xApp向E2 Node发出控制请求,当E2 Node回复确认控制请求之后,整个切片控制流程就完成了建立;xApp内的切片程序将会通过NEAR-RIC对RAN侧进行设定的切片操作。
9.如权利要求1所述的5G网络切片模板自生成与选择接入方法,其特征在于,所述步骤4具体为:
步骤4.1:核心网侧网络切片模板
在核心网主机上部署了基于OAI的切片场景核心网仿真代码,当UE接入时,PDU建立会话请求;NSSF网元帮助AMF网元发现适当的NRF;
NRF在5G网络用于管理网络功能的注册和发现;选择UPF,UPF负责处理用户数据的转发,核心网中引入了通用分组无线业务隧道协议,在gNB和核心网之间形成了虚拟的传输管道,实现切片之间的相互隔离性;
步骤4.2:网络切片模板的选择性接入
在建立好了步骤4.1的基础上,核心网侧的切片模板就有不同场景下的选择接入方案,通过识别器网元传递的网络切片参数来完成网络切片模版的选择接入。
10.一种实施权利要求1~9任意一项所述方法的5G网络切片模板自生成与选择接入系统,其特征在于,所述5G网络切片模板自生成与选择接入系统包括:
网络切片参数识别器:配置于用户和核心网通信链路之间,基于深度Q网络技术,用于输入用户的业务流量数据并输出相应的网络切片参数;
5G NR半实物仿真平台:基于OpenAirInterface构建,包括核心网、基站主机及USRP设备,负责接收网络切片参数,并根据这些参数实现网络切片模板系统的组网部署;
流量监控与切片控制模块:集成在所述网络切片模板系统中,基于FlexRIC技术,根据网络切片参数,实现流量监控和切片控制,将这些参数映射为具体的侧切片指标;
RAN侧网络切片执行单元:在所述5G NR半实物仿真平台上运行,进行RAN侧的网络切片处理,通过选择和接入合适的切片模板来满足用户的具体需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823224.8A CN117915360A (zh) | 2023-12-27 | 2023-12-27 | 一种5g网络切片模板自生成与选择接入方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823224.8A CN117915360A (zh) | 2023-12-27 | 2023-12-27 | 一种5g网络切片模板自生成与选择接入方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117915360A true CN117915360A (zh) | 2024-04-19 |
Family
ID=90681004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311823224.8A Pending CN117915360A (zh) | 2023-12-27 | 2023-12-27 | 一种5g网络切片模板自生成与选择接入方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117915360A (zh) |
-
2023
- 2023-12-27 CN CN202311823224.8A patent/CN117915360A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10334446B2 (en) | Private multefire network with SDR-based massive MIMO, multefire and network slicing | |
CN109743893B (zh) | 用于网络切片的方法和设备 | |
US10932142B2 (en) | Point-to-multipoint or multipoint-to-multipoint mesh self-organized network over WiGig standards with new MAC layer | |
KR101978195B1 (ko) | 서비스 지향 네트워크 자동 생성에 기초한 맞춤형 가상 무선 네트워크를 제공하기 위한 시스템 및 방법 | |
US11570627B1 (en) | System, method, and apparatus for providing optimized network resources | |
US10979319B2 (en) | Method for providing operating information for a network | |
WO2024030148A1 (en) | System, method, and apparatus for providing optimized network resources | |
US20240155358A1 (en) | System, method, and apparatus for providing optimized network resources | |
Li et al. | Transforming the 5G RAN with innovation: The confluence of cloud native and intelligence | |
Strinati et al. | Goal-Oriented and Semantic Communication in 6G AI-Native Networks: The 6G-GOALS Approach | |
CN117915360A (zh) | 一种5g网络切片模板自生成与选择接入方法及系统 | |
US11805022B2 (en) | Method and device for providing network analytics information in wireless communication network | |
CN113473544B (zh) | 网络切片配置 | |
Sun et al. | Intelligent ran automation for 5g and beyond | |
Corici et al. | NEMI: A 6G-ready) AI-enabled Autonomic Network Management System for Open Campus Networks | |
Schmidt | Slicing in heterogeneous software-defined radio access networks | |
Moscatelli et al. | 5G-COMPLETE: service-driven slice management over heterogeneous 5G infrastructures | |
Wang et al. | Design and implementation of endogenous intelligence-based multi-access edge computing | |
Kumar et al. | Synthesis of Cloud Technologies and Telco NFV Transformation–A Perspective | |
Yadav et al. | Inverse Tree Interleavers in UAV Communications for Interference Mitigation | |
CN114302411A (zh) | 无线局域网系统和网络数据处理方法 | |
Guo et al. | Communication-Computing Built-in-Design in Next-Generation Radio Access Networks: Architecture and Key Technologies | |
Nderba | Design and Implementation of QoS Aware Software Defined Cognitive Network | |
Sun et al. | 5GtoB Success Factor Analysis—Performance Capability | |
Alevizaki | Distributed Resource Management in Converged Telecommunication Infrastructures |
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 |