$\pi$-ROAD：一种用于 V2X 场景中按需紧急切片的边学边用框架
机器学习
2020-12-14 v1 网络与互联网体系结构
摘要
车辆到一切（V2X）预计在不久的将来成为 5G 业务的主要驱动力之一。专用网络切片（network slices）被设想用于满足先进 V2X 服务（如旨在大幅减少道路伤亡的自动驾驶）的严苛要求。然而，随着 V2X 服务变得更具任务关键性，需要设计新解决方案以即使在异常情况下（例如道路事故、拥堵等）也能保证其成功服务交付。在此背景下，我们提出 -ROAD，一种深度学习（deep learning）框架，用于自动学习道路上常规移动流量模式、检测非周期性事件并按严重等级对其分类。-ROAD 使运营商能够根据需要主动（proactively）实例化专用紧急网络切片（Emergency Network Slices, ENS），同时依据服务关键性等级对现有切片重新定维。我们的框架通过使用在欧洲一条 高速公路上收集的真实移动网络轨迹并辅以公开可得的相关道路事件信息进行了验证。我们的结果表明，-ROAD 成功检测并分类非周期性道路事件，并将 ENS 对已运行服务的影响最多降低 。
引用
@article{arxiv.2012.06208,
title = {$\pi$-ROAD: a Learn-as-You-Go Framework for On-Demand Emergency Slices in V2X Scenarios},
author = {Armin Okic and Lanfranco Zanzi and Vincenzo Sciancalepore and Alessandro Redondi and Xavier Costa-Perez},
journal= {arXiv preprint arXiv:2012.06208},
year = {2020}
}