虚拟化 5G 网络中认知网络切片管理的集成方法论

第五代（5G）网络按照 ETSI 定义的零接触网络与服务管理（ZSM）概念被设想为完全自治的。为此，特定用途的机器学习（ML）模型可用于管理和控制物理及虚拟网络资源，使其完全符合切片服务等级协议（SLA），同时提升底层物理网络运营商的收益。这是因为专门设计并训练的 ML 模型既能主动应对也可能非常有效地解决会引发显著 SLA 惩罚或运行时成本的切片管理问题。然而，达到这一目标极具挑战性。5G 网络将高度动态且复杂，作为网络切片提供大规模异构、复杂且资源密集的 5G 服务。这催生了对一个定义良好、通用且分步路线图的迫切需求，以设计、构建和部署高效的 ML 模型，作为可定义为认知网络与切片管理（CNSM）5G 系统的协作组件。为满足该需求，我们采用用例驱动的方法，基于一个具体的电子健康（eHealth）用例设计并提出一种用于虚拟化 5G 网络中 CNSM 的新颖集成方法论，并将其阐述推广为针对 5G 切片管理用例的通用方法。我们提出的方法论的三个基本组成部分包括：(i) 一个 5G 认知工作流模型，它制约从 ML 模型设计到最终部署的一切；(ii) 一个强调异常检测的四阶段认知切片管理方法；以及 (iii) 一个用于协作解决不同切片生命周期管理问题的不同 ML 模型的主动控制方案。