5G网络中高精确可靠的无线切片：一种混合深度学习方法
网络与互联网体系结构
2021-11-19 v1 机器学习
信号处理
摘要
在当前时代，第五代（5G）和第六代（6G）等下一代网络需要高安全性、低时延、高可靠标准与大容量。在这些网络中，可重构无线网络切片被视为5G和6G网络的关键要素之一。可重构切片允许运营商利用单一基础设施运行多个网络实例，以提供更好的服务质量（QoS）。QoS可通过使用人工智能和机器学习算法对这些网络进行重构与优化来实现。为开发用于网络管理的智能决策机制并限制网络切片故障，需要机器学习赋能的可重构无线网络的解决方案。本文提出一种由卷积神经网络（CNN）和长短期记忆（LSTM）组成的混合深度学习模型。CNN执行资源分配、网络重构与切片选择，而LSTM用于关于网络切片的统计信息（负载均衡、错误率等）。所提模型的适用性通过使用多个未知设备、切片故障与过载条件进行了验证。所提模型实现了95.17%的总体准确率，反映了其适用性。
引用
@article{arxiv.2111.09416,
title = {Highly Accurate and Reliable Wireless Network Slicing in 5th Generation Networks: A Hybrid Deep Learning Approach},
author = {Sulaiman Khan and Suleman Khan and Yasir Ali and Muhammad Khalid and Zahid Ullah and Shahid Mumtaz},
journal= {arXiv preprint arXiv:2111.09416},
year = {2021}
}