6G中网内深度学习的网元功能切分：可行性研究
网络与互联网体系结构
2022-11-15 v1 信号处理
摘要
在现有移动网络系统中，数据面（DP）主要被视为由端到端转发用户数据流量的网元组成的管道。然而，随着可编程网络设备的快速成熟，移动网络基础设施正演变为可编程计算平台。因此，这种可编程数据面可为众多应用服务提供网内计算能力。在本文中，我们旨在为数据面增强网内深度学习（DL）能力。然而，网内智能可能给网络设备带来显著负载。于是，我们应用功能切分范式，将深度神经网络（DNN）分解为数据面的子元素，以使机器学习推理任务更高效。作为概念验证，我们以盲源分离（BSS）问题为例展示该方法的好处。我们在全栈仿真器中实现了所提出的增强，并使用专业数据集提供了定量评估。作为初步尝试，我们的研究为未来采用网内智能（如6G）的移动网络系统设计提供了有见地的指导。
引用
@article{arxiv.2211.07630,
title = {Functional Split of In-Network Deep Learning for 6G: A Feasibility Study},
author = {Jia He and Huanzhuo Wu and Xun Xiao and Riccardo Bassoli and Frank H. P. Fitzek},
journal= {arXiv preprint arXiv:2211.07630},
year = {2022}
}