面向云原生6G网络的优化资源分配：基于微服务化VNF部署的零接触ML模型
信号处理
2024-10-10 v1
摘要
6G是下一代移动网络，将提供更高的数据速率、更高的可靠性以及更低的时延。新的6G服务将增加网络的负载和动态性。网络功能虚拟化（NFV）通过消除硬件依赖性来应对这种 increased 负载和动态性，其目标是通过将网络功能从其特定专有形式中分离出来，使其能够在普通硬件上运行为虚拟网络功能（VNF），从而提升网络部署服务的灵活性和可扩展性。因此，必须设计一套NFV编排和管理框架来支持这些服务。然而，在资源有限的情况下，在网络中部署笨重的单体化VNF会导致资源管理低效。为此，提出了基于微服务化的NFV方法。该方法将单体化VNF分解为微型VNF，增加了其成功部署的可能性，从而实现更高效的资源管理。本文讨论了针对微服务化服务进行资源分配的框架，以利用深度深度Q学习（DDQL）方法提供端到端的质量服务（QoS）。此外，为进一步提升资源分配方法，本文讨论并解决了两个关键子问题：动态优先级技术的需求以及低优先级饿死问题的存在。使用深度确定性策略梯度（DDPG）模型，开发了一种自适应调度模型，有效缓解了饿死问题。此外，还充分考察了将交通负载纳入部署和调度中的影响。
引用
@article{arxiv.2410.06938,
title = {Optimized Resource Allocation for Cloud-Native 6G Networks: Zero-Touch ML Models in Microservices-based VNF Deployments},
author = {Swarna Bindu Chetty and Avishek Nag and Ahmed Al-Tahmeesschi and Qiao Wang and Berk Canberk and Johann Marquez-Barja and Hamed Ahmadi},
journal= {arXiv preprint arXiv:2410.06938},
year = {2024}
}