学会切片，切片学习：揭示 AI 服务切片的在线优化与强化学习

面对自动化网络管理和运营对零接触网络日益增长的需求，两个关键概念应运而生：'学会切片'（Learn to Slice, L2S）和'切片学习'（Slice to Learn, S2L）。L2S 利用人工智能技术来优化通用服务的网络切片，而 S2L 则侧重于定制网络切片以满足各种 AI 服务的特定需求。由于 AI 服务复杂的需求——如处理不可控参数、在对抗条件下学习以及实现长期性能目标——优化和自动化 S2L 的复杂度超越了 L2S。本文旨在通过整合 L2S 和 S2L 两个概念，使用智能切片代理来解决 S2L 问题，从而实现 S2L 的自动化和优化。事实上，我们选择了两个候选切片代理，即来自在线凸优化（OCO）框架的探索与利用（EXP3）代理和来自深度强化学习（DRL）框架的深度 Q 网络（DQN）代理，并对它们进行了比较。我们的评估涉及一系列精心设计的实验，揭示了 EXP3 和 DQN 在 AI 服务切片中的优势与局限，从而为零接触网络能力的发展做出贡献。