面向 5G 网络数字孪生的基于深度学习的 5G 核心网控制面建模
系统与控制
2023-10-20 v2 系统与控制
摘要
数字孪生是 5G 及更先进网络中新兴技术研发与应用的关键推动者。然而，现有 5G 核心网尤其是控制面结构复杂、功能多样，给核心网数字孪生构建带来挑战。本文提出两种新颖的数据驱动架构用于 5G 控制面建模，并分别基于 Vanilla Seq2Seq 模型与 Transformer 解码器实现了相应的深度学习模型，即 5GC-Seq2Seq 与 5GC-former。我们还给出了一种实现信令消息与长度受限向量互转以构建数据集的方案。实验基于 Spirent C50 网络测试仪采集的 5G 核心网信令消息，涵盖注册、切换与 PDU 会话等多种流程。结果表明，5GC-Seq2Seq 在结构简单单 UE 场景下取得 99.997\% F1-score(衡量正样本准确率的指标)，但在处理并发时性能显著下降；相比之下，5GC-former 通过构建更复杂且高度并行的模型，在并发 UE 场景下保持鲁棒性能的同时超越 99.999\% F1-score。这些发现验证了我们所提方法准确复现了 5G 核心网控制面的主要功能。
引用
@article{arxiv.2302.06980,
title = {Deep Learning-Based Modeling of 5G Core Control Plane for 5G Network Digital Twin},
author = {Zhenyu Tao and Yongliang Guo and Guanghui He and Yongming Huang and Xiaohu You},
journal= {arXiv preprint arXiv:2302.06980},
year = {2023}
}