SliceOps：面向自动化原生6G网络的可解释MLOps
网络与互联网体系结构
2023-07-06 v1 信号处理
摘要
第六代(6G)网络切片是未来通信系统的骨干。它开启了极端超可靠低延迟通信(xURLLC)时代，并渗透到各种垂直沉浸式用例的数字化中。由于6G天然以人工智能(AI)为基础，我们提出一个系统且独立的称为SliceOps的切片，其原生嵌入于6G架构中，通过监测、再训练及部署机器学习(ML)模型作为6G切片的服务来收集和管理整个AI生命周期。通过结合机器学习运维(MLOps)与可解释AI(XAI)，SliceOps力求利用解释引导的强化学习(XRL)应对黑盒AI的不透明性，以在网络切片生态中实现透明性、可信性与可解释性。本文首先详述SliceOps的架构与算法方面。随后，通过一个延迟感知资源分配问题示例化所部署的云原生SliceOps工作过程。切片内基于深度RL(DRL)的SliceOps智能体提供AI服务，旨在分配最优无线资源并阻止业务质量退化。仿真结果证明了SliceOps驱动切片的有效性。文章随后讨论了SliceOps的挑战与局限。最后，指出了对应于所提方法的关键开放研究方向。
引用
@article{arxiv.2307.01658,
title = {SliceOps: Explainable MLOps for Streamlined Automation-Native 6G Networks},
author = {Farhad Rezazadeh and Hatim Chergui and Luis Alonso and Christos Verikoukis},
journal= {arXiv preprint arXiv:2307.01658},
year = {2023}
}
备注
8 pages, 6 Figures