Machine Learning-Based Network Sub-Slicing Framework in a Sustainable 5G Environment
| 摘要 |
|---|
| 如今，5G网络基础设施正在全球范围内针对各种工业物联网(Internet of Things)应用进行开发，随着物联网的出现而出现。因此，以一种促进网络长期可持续性的方式部署电力优化技术是可能的。网络切片是一项基本技术，实现它是为了在多租户网络系统中处理负载平衡问题。为满足不同的应用需求，如低延迟、高可靠性、高频谱效率等，可以形成独立的网络片。现代物联网应用具有动态需求，各种系统相应地对各种类型的网络资源进行优先排序。在本文中，我们提出了一个新的框架，以最佳性能的设备应用程序与优化的网络片资源。具体来说，为了优化网络负载均衡问题，我们提出了可持续5G环境下基于机器学习的网络分片框架，其中每个逻辑片被划分为一个虚拟化的资源子片。每个子片根据需要为应用程序系统提供不同优先级的资源。一个子片专注于频谱效率，而另一个子片专注于提供低延迟和降低功耗。我们使用支持向量机(SVM)算法，通过特征选择来识别不同的连接设备应用需求。K-means算法用于为类似的应用程序服务类型分组(例如基于应用程序的服务、基于平台的服务和基于基础设施的服务)创建子片集群。延迟、负载均衡、异构性和功率效率是提出的框架的四个主要考虑因素。我们对所提出的框架进行了评估和比较分析，该框架优于基于实验评估的现有研究。 |
5G环境下的物联网框架
在一个可持续发展的社会中，沟通已经成为我们日常生活中必不可少的一部分。5G已成为实现一系列可持续发展目标(从良好健康到能源效率，以及获得可持续环境)的关键技术。今天，许多通信类型都是可用的，包括人机(H2M)、机对机(M2M)和点对点(P2P)计算。5G网络使人类能够与机器、物体和物联网设备进行互联。5G、人工智能、智能平台和物联网的有力结合将改变世界，为应用程序、平台和基础设施等多种服务提供智能、可持续的连接。5G网络基础设施的目标是为产生新的服务和新的商业战略提供进入通信网络的机会。
物联网利用设备的连通性，在智能医疗、智能交通、智能农业和工业自动化等不同领域有许多应用。因此，5G网络连接提供了增强这些应用的能力，并使新的应用，如汽车交通和农业与机器学习。尽管如此，这些应用程序在云网络中生成了大量的数据。根据Gartner发布的一份报告，到2025年至2030年，端到端可持续的5G基础设施将转型，并部署在大多数物联网和人工智能(AI)应用中。
物联网设备是车辆、医疗设备、RFID标签和其他嵌入式设备中的众多传感器的组合，用于通信、传输和交换数据，以服务于用户应用程序。智能城市的各个领域，如智能医疗、交通、建筑和工业自动化，都得益于物联网设备产生的数据，为用户提供优化的服务。随着各国5G技术的普及，嵌入式传感器设备的快速部署也在加快。然而，随着大量数据的产生，为设备之间的数据交换和传输提供最佳带宽，即使是最新的网络技术也是一个挑战。
不断发展、增长的商业模式和智能城市对现有的单一网络架构提出了挑战。LTE等传统网络架构具有高延迟、低数据速率和覆盖不足等特点。然而，在5G中，一种支持分段的可持续网络架构使系统能够满足不同应用的多样化和重要需求。网络切片是对物理资源进行逻辑的、基于虚拟化的划分，以满足各种垂直行业的需求。传统的基于lte的系统需要为具有特殊需求的应用程序构建单独的网络，例如低延迟、高可靠性或广泛的设备实现。然而，在可持续的5G环境中，基于物联网的每个应用的标准和共同特征来分割网络是不可行的。例如，要求高可靠性和极低延迟的应用程序可能无法提供频谱效率。
在可持续的5G环境中，网络切片是利用网络业务的基本方法。由于运行各种逻辑网络的实施例概念在标准物理环境中具有几乎独立的物联网操作，它具有在物理云网络上使用多个应用程序的基础设施虚拟化的优势。虚拟化资源允许灵活、高效地利用有限的资源，并提供最大限度的服务，特别是移动和物联网服务。但是，它在集中化、负载均衡、高延迟和处理大量数据方面有一定的局限性。
现有的5G网络架构如图1所示，物理节点可根据不同的需求向不同的租户提供服务。这些租户根据自己的配置提供各自的服务。网络切片使用软件解决方案来完成，如软件定义网络(SDN)和网络功能虚拟化(NFV)。SDN和NFV技术具有可编程性和模块化等特性。通过资源创建新的多个逻辑网络。物理层是一个标准层，通过使用无线接入网(包括移动交换网、数据网等核心网)支持各种其他逻辑切片网络。
尽管可持续的5G网络中的网络分片旨在减少单个基于云的物理资源的负载，但现有架构无法满足现代应用需求。基于智能城市的应用，包括智能制造、智能汽车和智能电网，需要大量具有不同网络需求和配置的设备。例如，在医院，有多种低计算密集型设备，如用于癌症治疗的体重秤和血压袖口。这些设备需要低延迟、高可靠性的网络配置。另一方面，数据库和设备安全系统是高计算密集型系统，需要高带宽来监控分布在不同位置的多个设备。基于整个医院标准配置的单个网络切片将无法提供以最佳方式管理系统和设备所需的性能。
现有的研究提出了有效地维持网络切片分配给不同应用程序的措施。本文的目的是解决在可持续的5G网络环境中运行的动态应用程序的负载均衡问题。每个片的资源是有限的，因此需要有效地分配服务，以确保网络的最佳性能。在基于机器学习的5G网络环境中，我们引入了子切片的概念，根据业务的不同需求(如基于应用、基于平台和基于基础设施的业务)分配资源。基于机器学习的算法用于学习应用程序的特征，以及网络中必须分配其资源的区域，如更低的延迟或更高的频谱效率。我们使用支持向量机(SVM)算法来学习不同的基于应用程序的设备的特点,采用k - means算法集群组设备有效地根据他们共同的需求或服务和分配小组基于相似类型的应用程序服务,例如基于应用程序,基于平台的,和轨道服务。每个子片根据应用的需求提供合适的频率，即基于硬件或基于软件的应用。该框架提高了5G网络片的带宽消耗。通过将应用程序划分为子模块，减少了数据速率的使用，从而优化了每个集群的吞吐量。由于各子模块对网络资源的需求不同，合理分配数据速率可以保证有限的频谱得到有效利用综上所述，本文的主要贡献如下:
- 在可持续的5G环境下，我们提出了基于机器学习的网络分片框架，其中SVM算法用于基于loT设备的特征选择。采用K-Means算法，对基于应用、基于平台、基于基础设施的相似类型的应用服务进行分组。
- 为缓解5G网络可持续发展环境下的资源分配问题，对网络子切片及相关研究进行了详细描述。确定了网络分片框架的关键需求和安全威胁，以实现资源或服务的最佳分配。我们提出了基于机器学习的网络分片框架的概述和详细的方法，以实现网络资源的高效、最优使用。
- 最后，我们进行了评估和实验分析，以证明所提出的网络子切片框架与现有研究的有效性。
5G切片技术最新开发动向
在本节中，我们首先讨论在5G环境中关于网络切片的现有研究的贡献。其次，我们提出了由延迟、负载均衡、集中化、异构性和能源效率带来的挑战，这些挑战在5G环境下的基于机器学习的网络分片框架中得到了解决。现有的一些研究涉及5G网络切片;然而，可持续的5g物联网应用仍面临挑战。在本节中，我们将进一步讨论5G环境下网络切片的安全威胁。
许多研究人员研究了网络切片的概念，并为客户提供了可配置的服务，这些服务可以为医疗保健、交通运输、农业和其他物联网应用等多个应用实现更显著的规模经济和效率。Nour等提出了一种基于无许可区块链技术的broker设计机制，在5G网络中提供安全匿名的交易。网络片提供程序允许代理机制以安全的方式从各种提供程序租赁资源。然而，提出的网络切片工具在选择资源编排接口方面有局限性。Sciancalepore等设计了用于网络切片的块，该块有四个特点:(1)流量和用户移动性分析;(2)每片的学习预测方案;(3)最优入场控制;(4)强化过程驱动系统。RL-NSB基础设施与各种租户执行了服务水平协议，作为流量使用和用户分布的准入控制，并通过强化学习增强了整体流程。网络片调度跟踪不同片的服务水平协议，然后将这些信息传回预测模块，调整系统行为。
Aviles et al.为移动网络中的端到端网络切片(POSENS)提出了一个实用的开源解决方案。他们开发了端到端网络切片协议栈，提供了具有切片感知的无线接入网络(RAN)解决方案。POSENS包括多片用户设备能力，用于共享RAN解决方案的多片管理和编排能力，以及支持独立的、可定制的网络片。Hao等介绍了基于网络切片的5G可穿戴网络，它是5G超密集蜂窝网络、边缘缓存和边缘计算的结合。提出的数据驱动资源管理框架的主要目标是在5G网络中有效地管理和实现网络分片资源。采用分层认知引擎架构进行数据驱动的资源管理，使用认知服务引擎分析服务特征。采用全局认知引擎实现服务感知的资源分配。Dighriri等人提出了一种新的针对不同片的资源分配方案，以满足不同用户的需求。网络片将所需的服务质量(QoS)级别传递给准入控制实体，被接纳的片由虚拟网络根据片内和片间优先级分配物理无线电资源。
Kasgari等人开发了一种使用随机优化的新框架，使5G网络切片具有有效隔离。为了解决可靠低延迟(RLL)和自我管理切片问题，作者采用了一种基于Lyapunov漂移加惩罚方法的随机优化新框架。该结构为RLL片提供可靠的、基于低延迟的端到端通信。Bega等人提出了DeepCog，这是一种新颖的数据分析工具，用于5G网络资源的认知管理。此工具旨在维持资源过度供应和服务请求违规之间的平衡。基于深度学习的体系结构设计用于基于使用真实世界数据的实验评估的容量预测。DeepCog方法通过可定制的损失函数进行训练，以预测5G网络中的移动流量。Abbas等人提出将移动中心办公室r架构为一个数据中心(M-Cord)。他们为传输网络引入了一种新的切片机制，并将其用于访问和核心网络之间。Kafle et al.[25]介绍了5G网络切片的设想，并详细阐述了为网络切片的设计、构建、部署、运行、控制和管理实现网络功能自动化的需求。他们使用机器学习支持向量机和K-Means算法。Le等人[26]研究了各种机器学习算法、大数据、SDN和NFV的集成，提出了一种5G网络切片的综合架构，并利用SVM在流量分类中实现。
参考文献：
Nour, B.; Ksentini, A.; Herbaut, N.; Frangoudis, P.A.; Moungla, H. A Blockchain-Based Network Slice Broker
for 5G Services. IEEE Netw. Lett. 2019, 1, 99–102.
Sciancalepore, V.; Costa-Perez, X.; Banchs, A. RL-NSB: Reinforcement Learning-Based 5G Network Slice
Broker. IEEE ACM Trans. Netw. 2019, 27, 1543–1557.
Garcia-Aviles, G.; Gramaglia, M.; Serrano, P.; Banchs, A. POSENS: A practical open source solution for
end-to-end network slicing. IEEE Wirel. Commun. 2018, 25, 30–37.
Hao, Y.; Jiang, Y.; Hossain, M.S.; Ghoneim, A.; Yang, J.; Humar, I. Data-driven Resource Management in a 5G
Wearable Network using Network Slicing Technology. IEEE Sens. J. 2018, 19, 8379–8386.
Dighriri, M.; Alfoudi, A.S.D.; Lee, G.M.; Baker, T.; Pereira, R. Resource allocation scheme in 5G network
slices. In Proceedings of the 2018 32nd International Conference on Advanced Information Networking and
Applications Workshops (WAINA), Krakow, Poland, 16–18 May 2018; pp. 275–280.
Kasgari, A.T.Z.; Saad, W. Stochastic optimization and control framework for 5G network slicing with effective
isolation. In Proceedings of the 52nd Annual Conference on Information Sciences and Systems (CISS),
Princeton, NJ, USA, 21–23 March 2018; pp. 1–6.
Bega, D.; Gramaglia, M.; Fiore, M.; Banchs, A.; Costa-Perez, X. DeepCog: Cognitive Network Management
in Sliced 5G Networks with Deep Learning. In Proceedings of the IEEE INFOCOM 2019-IEEE Conference on
Computer Communications, Paris, France, 29 April–2 May 2019; pp. 280–288.
Abbas, M.T.; Khan, T.A.; Mahmood, A.; Rivera, J.J.D.; Song, W.C. Introducing network slice management
inside m-cord-based-5g framework. In Proceedings of the NOMS 2018-2018 IEEE/IFIP Network Operations
and Management Symposium, Taipei, *, 23–27 April 2018; pp. 1–2.
Kafle, V.P.; Fukushima, Y.; Martinez-Julia, P.; Miyazawa, T. Consideration on automation of 5G network
slicing with machine learning. In Proceedings of the 2018 ITU Kaleidoscope: Machine Learning for a 5G
Future (ITU K), Santa Fe, Argentina, 26–28 November 2018; pp. 1–8.
需求分析
在可持续的5G环境下，建立有效的网络子切片方法需要考虑的四个关键因素是:延迟、负载均衡、异构性和功率效率。下面描述了每一个确定的关键考虑的重要性。
-
延迟:这是5G中使用的网络切片概念之一，用于利用物联网应用，如智能停车、智能道路和智能制造。一个网络切片足以处理一个物联网应用程序。然而，由于一个应用程序不是一个网络片的一小部分，5G网络的一个物联网应用程序的服务延迟将会很高。这是在可持续的5G网络环境下物联网应用的主要考虑因素。为了缓解这个问题，我们在5G中使用了网络子切片的概念。我们展示了服务数量和运行时间参数对延迟图的评估，并将其与现有的研究框架进行了比较。 -
负载均衡:负载均衡要求在一组后端服务器(也称为服务器池)之间有效地分配传入的网络流量。通过均匀地分配工作，负载均衡可以提高应用程序的可用性。这也是这里的主要考虑因素，因为在可持续的5G环境中，一个网络切片无法处理一个物联网应用程序的负载。在5G网络的虚拟化环境中，智能医疗、智能汽车等各种应用的控制和管理都是通过动态网络切片来处理的。因此，负载均衡是网络片中的一个问题。尽管如此，这些应用程序具有多个网络服务(基于应用程序的、基于基础设施的和平台的)，不能由一个网络片管理，包括负载平衡问题。因此，我们将一个网络切片划分为多个网络子切片。这些网络子片机制通过分散设置存在点(PoP)为物联网应用程序提供特定的服务。每个PoP都知道由片生成的聚合工作负载以及访问它的用户。 - 异构性:5G无线网络应用对所有物联网应用的数据速率产生了很高的需求。根据物联网应用的需求，将每个网络划分为不同的网络片。它被称为异构网络。尽管如此，所有网络片都无法处理特定物联网应用程序的所有需求。因此，根据服务的不同，将物联网应用特性划分为子部分，如基于应用的服务、基于基础设施的服务和基于平台的服务。例如，如果我们有一个用于智能医疗的物联网应用程序，它具有各种特性，如IP地址、网络类型、协议类型和用于发送数据的数据包数量等。这些特性可以根据基于应用程序、基于基础设施和基于平台的服务进行分类。
- 功率效率:功率效率是指功率按要求与输入功率的比值。先进的物联网应用对带宽有动态要求。因此，提出的框架根据应用服务(如基于应用的(ABS)、基于平台的(PBS))流程的不同需求分配频谱。以及基于基础设施的服务(IBS) (Amazon web服务、谷歌应用服务、DropBox等)。这些服务可能是基于软件的，也可能是基于硬件的。在网络分片的帮助下，为高级应用提供了可持续的5G环境。电力效率是网络服务提供商和最终用户的主要要求。5G网络中更高的数据速率消耗导致用户更快的电池消耗和服务提供商更高的运营成本;因此需要节能的解决方案。需要测量的输入功率单位是Mbps/W，其中W代表瓦特，描述了所消耗的能量与传输的数据带宽之间的关系。
根据上述研究分析，目前还没有针对可持续5G环境改进网络切片的方法。为了缓解上述挑战，并为5G环境下的物联网设备提供最佳性能，网络切片需要进一步细分为多个子切片。因此，我们在机器学习算法的帮助下，提出了5G环境下的网络子切片的概念。在本文中，我们提出了一种可持续的5G环境下基于机器学习的网络子切片框架，并缓解了上述所有问题。
在可持续5G环境下基于机器学习的网络分片框架
现有的研究检查了各种考虑因素，如低延迟、物联网服务管理、集中化和支持5g的物联网应用中网络切片的计算成本。在本节中，我们提出了在可持续的5G环境下基于机器学习的网络分片框架，并缓解了现有研究的局限性。基于物联网设备的特征选择采用SVM算法，基于应用、平台、基础设施等相似类型的应用服务，采用K-Means算法进行分组。然后根据服务器、网络、操作系统、数据控制、存储管理、测试设备、云计算和其他因素来管理这些服务。
5G环境是提供与IoT应用(如智能医疗、智能交通和智能农业应用)相关的更快、更大容量的海量数据传输的新范例。它使用更高的毫米波(MMW)频率用于互联网和电信。物联网系统是提供物联网设备与人脑之间连接的一项重要技术。它包括人工智能(AI)、增强现实(AR)、虚拟现实(VR)、微芯片和增强人类、物联网传感器等许多其他范式。网络切片是在可持续的5G环境中，在相同的物理网络基础设施上启用逻辑的、虚拟化的网络的一种方法。
在接入和核心网络功能的帮助下，每个网络片段都用于特定的物联网应用服务，如医疗保健、汽车行业、智能电网、通信等。然而，这些应用程序服务不是一个小领域，因此我们将它们划分为各种功能服务，例如基于应用程序的服务、基于平台的服务和基于基础设施的服务。ABS支持通过Internet、按需和订阅方式交付软件应用程序。PBS是云计算服务和随需应变环境之一，用于开发、测试和交付基于平台的应用程序数据和操作系统。作为一种基于云的基础设施资源，IBS提供诸如管理服务器、网络、数据存储等基本服务。单个网络片不足以提供这些服务。为了解决这一问题，我们在可持续的5G环境下，利用一种基于机器学习的新型网络分片框架，在机器学习技术的帮助下，在5G支持的物联网中引入了网络分片的概念。
图2给出了在可持续5G环境下提出的网络分片框架的架构概述。它由物理资源网络、物联网平台层、接入和核心网层、物联网服务层四部分组成。物理资源网络是一个云，有一个数据中心，数据工作在这一层处理。将物理资源网络划分为S1、S2、S3等多个片。在loT 设备层中，根据交付软件服务、云计算服务和基于云的基础设施资源服务等服务，使用特征选择和集群将每个切片划分为多个子切片。特性选择、集群或扩展是在loT平台层中实现的，用于处理特定的loT服务。下面部署接入网和核心网，作为接入网和核心网层，提供用户平面和控制平面的功能。接入网络为本地业务提供集中存储和通信、存储资源、计算能力和处理、数据转发、流量使用报告、会话管理、网络切片选择等功能。因此，通过使用基于机器学习的特征选择和集群或扩展概念，在loT服务和逻辑或虚拟网络层中都解决了负载平衡、延迟、集中、计算能力和其他问题。
网络子切片概念对父网络切片进行划分，以改善5G网络切片中的负载均衡问题。物联网层的网络切片连接特征选择和聚类。物联网服务根据特征选择设施进行分类，即基于应用程序、基于平台和基于基础设施。这些依赖于软件或硬件应用程序、云计算服务和基于云的基础设施资源。我们使用SVM算法进行特征选择，而对于图2，我们使用K-means算法。可持续5G环境下提议的网络分片框架的架构概述。网络子切片概念对父网络切片进行划分，以改善5G网络切片中的负载均衡问题。物联网层的网络切片连接特征选择和聚类。物联网服务根据特征选择设施进行分类，即基于应用程序、基于平台和基于基础设施。这些依赖于软件或硬件应用程序、云计算服务和基于云的基础设施资源。[Kuang, F.; Zhang, S.; Jin, Z.; Xu, W. A novel SVM by combining kernel principal component analysis and
improved chaotic particle swarm optimization for intrusion detection. Soft Comput. 2015, 19, 1187–1199.]采用SVM算法进行特征选择，而K-means算法适合于5G环境[Tang, Z.; Liu, K.; Xiao, J.; Yang, L.; Xiao, Z. A parallel k-means clustering algorithm based on redundance
elimination and extreme points optimization employing MapReduce. Concurr. Comput. Pract. Exp. 2017, 29,
e4109]中物联网层物联网业务处理的扩展。接入网和核心网分为两部分:(1)接入网和(2)核心网。这些网络为物联网应用提供了各种设施。每个子片都应用于物联网应用中的特定子服务，例如5g可持续物联网环境中的基于应用、基于平台和基于基础设施的服务。
提出的网络子切片框架的功能组件
在本小节中，我们将根据图3a讨论可持续5G环境下所提出的网络子切片框架的主要方法流程。它由三个独立模块组成，并解决了以下三个主要考虑事项:
(1)特征选择，即通过SVM算法定义如何在可持续的5G环境下，根据物联网智能应用的服务选择特征。
(2)特征聚类或扩展，利用K-means算法创建一个集群，并根据相似类型的应用服务进行分组，如基于应用、基于平台、基于基础设施的服务(软件应用、云计算服务、和云基础设施资源)的物联网设备。
(3)接入网和核心网，用于提供存储计算、处理和存储资源、数据转发等基本功能。在5G环境中，物联网层处理物联网服务的规模扩大。5G网络分为两部分:(1)接入网和(2)核心网。这些网络为物联网应用提供了各种设施。每个子片都应用于物联网应用中的特定子服务，例如5g可持续物联网环境中的基于应用、基于平台和基于基础设施的服务。
物理网络有各种输入物联网设备，它们具有不同的分离特性。软件应用程序特性包括IP地址、包大小、网络类型等。云计算服务包括开发、测试和交付数据。云基础设施资源包括服务器管理、网络管理和数据存储管理。因此，这些设备被划分为块。基于智能医疗、智能车辆管理等物联网设备中的智能应用，采用SVM算法(算法1)进行特征选择。K-means算法用于扩展或聚类，它基于相似类型的应用程序服务分配组。图3b展示了可持续5g物联网应用中特征选择和聚类的内部方法。该方法由输入层、隐层和输出层三部分组成。输入层由IP地址、包大小、网络类型等物联网设备的特征组成。根据物联网应用的需求，隐藏层提供了最好的特性。基于应用程序,基于平台和基础设施的服务由输出层访问。对上述模块的详细讨论如下：
Feature selection
特征选择:在我们提出的网络子切片框架中，特征选择是主要功能，用于物联网层。智能移动设备、智能计算机、相机、传感器、执行器等物联网通信设备应用于网络切片的物联网层。我们被各种各样的物联网设备和传感器所包围，这些设备和传感器以多种形式检测并向物联网应用程序发送数据服务，如音频、视频、文本、图形和其他形式。物联网数据可以通过特定的物联网服务实时测量和监控。
网络切片是一种允许创建继承共享物理基础设施的各种类型的虚拟或逻辑网络的方法。它被用于与之密切相关的网络虚拟化技术，这些技术正在向新的网络结构转变，如逻辑网络向基于软件的自动化转变。然而，网络切片并不足以为物联网应用提供所有类型的服务。因此，网络子切片概念被用于特征选择，为所有特定的物联网应用提供所有类型的服务，例如基于应用程序、基于平台和基于基础设施(基于软件和硬件)的服务。支持向量机算法用于可持续5g物联网环境下的特征选择。它使用各种参数，如发送方和接收方的IP地址和端口号、网络包的大小、网络流中的包数和网络协议类型等。SVM算法在对设备进行训练时，根据SVM在特征选择中产生的权重或频率向量，使用一个系数对物联网设备进行排序，并在每次迭代中剔除排序系数最低的物联网设备的特征属性。最后，我们得到物联网设备所有特征或服务属性的降序，用于网络分片。它使用SVM算法来破坏服务表达设备的特征，以创建一个新的特征集(物联网设备集合)。该框架中SVM算法的训练复杂度介于O(n2)和O(n3)之间，使用物联网特征服务作为训练实例，因为这些特征是根据服务在网络中的使用状态进行划分的。
Feature clustering/scaling
特征聚类/缩放:特征聚类是提出的框架的另一部分，其中特征是根据它们的相似属性进行聚类的。从每个集群中选择一个具有代表性的特性，并向外扩展到基于应用、基于平台和基于基础设施的IoT应用和服务(即软件应用、云计算服务和云基础设施资源服务)。这些应用程序属于特定形式的物联网，如智能医疗、智能交通等。对于这个函数，我们使用K-means算法。
K-means聚类是一种最简单、最常用的无监督机器学习算法[30]。利用输入的向量值，无监督算法在机器学习中进行推理，但它不使用标签或结果来处理物联网数据。作为K-means算法的主要概念，一组相似类型的数据集的值和标识底层模式。根据K-means算法，我们将未标记的数据集聚为一簇，提供属于同一数据点的K个组(簇)。它们具有相同的属性，如软件应用程序、云计算服务和基于云的基础设施资源。然后，求具有相似性质的数据点之间的距离。因此，找到一组K个聚类中心{a1, a2, a3， . . . . . .Ak}使数据点值与最近的数据中心之间的距离最小。为了表示对聚类中心的数据点值的分配，我们使用一组二元指标变量βmk{0,1}。因此，如果将一个数据点xm分配给聚类中心ak，则βmk = 1。利用这些方程，我们将问题表示如下
式中，数据点xm属于聚类K，则βmk = 1，否则βmk = 0
最小化有两个部分。首先，最小化相对于βmk的距离，将ak视为固定的。然后，求关于ak的最小距离，并将βmk视为固定值。
K-means算法具有显著性和高度可扩展性，在机器学习中非常实用。适用于物联网数据处理、聚类分析、矢量量化等领域的各种功能。然而，与具有类似性质的欧氏距离测量方法相比，该方法存在一定的局限性，如精度低、延迟大等。该算法与k近邻分类器具有松散的连接。它是一种流行的分类物联网数据的机器学习方法。在K-means算法中，我们只将一个数据点值赋给一个聚类。在某些情况下，这可能导致不合适的群集。将最近邻分类器应用到聚类中心，我们通过k-means分类器获得现有组中的新数据值。所提议的框架中使用的缩放概念如图2所示。算法2解释了如何接收最优的聚类数据中心{ak}和数据点{βmk}的授权。在提出的框架中，K-means算法的时间复杂度较低，因为它根据类似的属性类型(如软件应用程序、云计算服务和基于云的基础设施资源)分配分组。这些属性与基于应用程序、基于平台和基于基础设施的服务相关。由于K-means算法对节点使用了聚类服务，因此该框架的时间复杂度为O(n2)
接入网(Access Network)和核心网(Core Network):采用K-means算法，根据软件应用、云计算服务、云基础设施资源等相似类型的应用服务进行分组。每个集群都有一些特定的频率、带宽和能量的组合形式。因此，它可以根据特定的需求在物联网应用中进行扩展。因此，我们按照能耗来划分服务需求。与其他服务相比，软件应用程序服务使用更多的电力或频率，而基于云的基础设施资源需要更少的电力或频率。因此，网络子切片可以满足这些要求。通过接入和核心网络(WLAN、E-UTRAN)将传感器、蓝牙、Wi-Fi、GPRS等物联网设备或通信服务接入到数据网络中，为物联网应用提供服务。接入控制网络分为两个部分:(1)BBU (Baseband Unit)和(2)RRH (Remote Radio Head)。BBU的作用是为接入网络中的本地子片提供集中存储和通信。RRH用于本地控制器虚拟化并与虚拟机隔离的资源，为物联网应用的子片数据服务提供认证和授权。将核心网络进一步划分为两部分:(1)用户平面功能(UPF)和(2)控制平面功能(CPF)。在可持续的5G环境下，UPF在网络中具有流量上报、数据转发等多种任务。CPF还提供会话管理、策略控制、移动性管理、网络切片选择和认证服务器等服务。完成这个模块后,我们提供了基于应用程序,轨道和基于平台的服务(如应用软件,云计算,云计算基础设施资源)智能应用程序(如智能城市、智能交通、智能农业、等)，并在提出的框架中适当地使用了SVM算法和K-means算法。
性能分析
在本小节中，我们将对我们提出的基于机器学习的网络子切片框架在可持续5G环境下的性能进行评估，以便为智能应用提供高效服务。我们使用了一个功能强大的工作站，使用Intel Xeon处理器E5-1630 v3 (20 MB智能缓存，处理器速度为3.70 Ghz)。5G在带宽、延迟、网络切片、业务维护等方面提出了新的要求。例如，带宽需求已从1GE/10GE升级到25GE*N/ 100ge。同时支持传输节点的时延要求，时延范围为5秒~ 50秒。
建议框架和测试的工具、设备和技术的列表如表1所示，以及它们各自的描述。使不同且独立的逻辑网络能够定制各自的服务时，我们使用了SliceSim模拟器。各种物联网设备值的分析使用了不同的统计分布，并观察了使用频率对带宽的影响。YAML使用了输入配置。带有Matplotlib、Simpy库的Python 3.7.7用于创建静态的、交互式的可视化。在相同的实验环境配置下，对所提出的网络分片框架和5G环境下的网络分片框架进行分析。我们通过比较不同服务的传输延迟来评估每种方法的性能。我们使用匿名的MNOs(移动网络运营商)，在全国范围内离线收集数据并存储在数据库中。收集的数据来自2017年至2018年期间。表2显示了所有匿名MNOs运行全国数据的观测检验数据的统计分布。根据这些数据，我们设计了一个协议的网络子切片框架。
Silhouette系数由MNOs运行全国数据的5G环境中，每个物联网设备数据样本的平均簇内距离(ε)和平均最近簇距离(ω)计算。样本的剪影系数由[(ω ε)/max(ε， ω)]计算。
对于分类，
ω
\omega
ω是一个样本和最近的簇之间的距离。轮廓系数只有被定义为在[2,nsamples-1]这个区间内才格外重要。
图4a-c分别给出了在MNO 1、2、3上k-means聚类的Silhouette分析，并绘制了图。我们证明了K1 =5簇数时MNO 1、2、3的平均Silhouette score分布，得到最高的Silhouette coefficient score β= 0.4951。如果MNO-2选择K2 -2簇数，则获得最高的剪影系数得分β= 0.7788。如果在MNO-3中选择K3 = 3簇数，则得到最大的Silhouette coefficient score =0.5325。基于此分析，三个网络子片展示了loT在可持续5G环境下的应用和业务的三点:(1)高延迟低吞吐量;(2)高吞吐量，低延迟;(3)低吞吐量，低延迟。通过实现我们提出的网络子切片框架，延迟和异构性得到了改善。在这个框架中，我们研究了带宽和延迟对父网络片的影响。我们利用k值来分析Silhouette分析系数(5)来确定每个集群所需的带宽分配。集群组的值(k)表示单个应用程序的子模块号。K1 =5意味着应用程序需要5个子模块才能最佳地执行。通过剪影分析，K1、K2、K3的最高β分别为0.4951、0.7788、0.5325。根据得到的值β，对每个K进行吞吐量、延迟和带宽效率优化。
图5a将服务的数量表示为x轴，总延迟表示为建议框架的y轴。与Sciancalepore等人[Smart Queue” Management Algorithms and Traffic Prioritization Mechanisms for Narrow-Band Internet of Things Services in 4G/5G Networks]提出的RL-NSB Slice Broker和Hao等人提出的分层认知引擎架构进行了比较[Reinforcement Learning-Based 5G Network Slice
Broker]。通过比较，我们发现两种框架的总传输延迟都迅速增加，但所提出的框架的传输延迟比现有的框架短。在网络子切片框架中，我们从父切片创建子切片，并为5G环境下的医疗、交通、农业等智能应用提供不同类型的服务。根据这个框架，我们可以很容易地在可持续的5G环境中减少一些业务的时间延迟(延迟)。图5a中显示的总延迟从0到700 (ms)不等，服务的数量从0到100，例如软件应用程序、云计算服务和基于云的基础设施资源，我们将其与之前的研究进行了比较。图5a是根据得到的K的数量测量的。集群的数量是根据应用程序最优性能所需的子模块数量来决定的。可持续发展2020,12,x PEER REVIEW, 23个基础设施资源中的15个，我们将其与之前的研究进行了比较。图5a是根据得到的K的数量测量的。集群的数量是根据应用程序最优性能所需的子模块数量来决定的。可持续发展2020,12,x PEER REVIEW, 23个基础设施资源中的15个，我们将其与之前的研究进行了比较。生成的集群数量是基于应用程序最优性能所需的子模块数量。
图5 b所示的总延迟毫秒的比较对不同范围的服务和建议的运行时间框架和现有的网络分割框架根据不同范围的服务运行时间的RL-NSB片代理和层次认知引擎架构。运行时间和总延迟使用分别表示为x轴和y轴。总体延迟，如图5b所示，相对于0到50的不同范围的运行时间，从0到120 (ms)不等。我们使用不同的运行时间范围比较了多种服务的总传输延迟，这些服务包括基于应用程序、基于基础设施和基于平台的服务(软件应用程序、云计算和基于云的基础设施资源)。这个实验的前提是服务的数量小于网络的容量。业务总数取值范围为0 ~ 100。同样，每个片的容量或运行时间固定为20 ms。在运行时间方面，所提框架的性能优于现有框架。所提议的框架运行时间的所有范围内的总延迟大致相同，但观察到现有框架在评估中变化更大。我们在虚拟网络子片中使用分散的PoP(存在点)设置来实现安全通信。每个PoP都知道通过子切片访问的slice用户所生成的总工作负载。图5b基于单个子模块操作时记录的毫秒级延迟。由于使用剪影分析确定的带宽消耗更低，消耗的网络父片资源更少，数据速率保持较高。数据从父切片传输到子切片所花费的毫秒时间比现有研究中报告的时间要少。
为了确定光谱和能量效率，我们确定了最小节能子切片集和相对节能潜力。这是用方程(Ecurr Ebench)/Ecurr计算的。式中，Ecurr = Slice当前的最终能耗，Ebench =对应Slice的统计目标能耗性能。然后，我们将当前的能量消耗归一化，它与方程(ω ε)/max(ε， ω)所表示的剪影系数有关。图6a显示了本文提出的最优频谱分配框架的吞吐量。作为一个应用程序，具有动态带宽需求，框架根据应用程序进程的不同需求分配频谱。我们发现资源的均等分配(EA)导致带宽的浪费。图6a是使用Ò的变化值对单个集群k进行测量，我们观察到每个集群Ò的增加和减少，并根据得到的系数值对带宽的吞吐量进行了优化。相比之下，该框架动态分配频率，进一步减少了网络中的频谱损耗。图6b显示了所提框架与现有网络切片结构在多个进程之间的频谱效率。我们引入了另外两个应用程序进程，并根据吞吐量比较了它们的性能。节省了带宽资源，提高了吞吐量，提高了信噪比。图6b是在现有的网络切片技术下，对不同的集群组(K1、K2和K3)以比特/秒/Hz进行测量的。前面观察到的带宽节省是由于使用轮廓系数(Ò)，这进一步有助于提高光谱效率或带宽效率。因此，该框架占用的网络片带宽资源较少，有利于提高网络的信噪比和吞吐量。如图6c所示，与当前的5G网络切片能耗相比，所提框架对吞吐量速率的提高提高了能源效率。性能的提高和能耗的降低表明该框架实现了整体的功率优化。图6c依赖于通过在子模块上优化分配带宽获得的优化吞吐量。使用轮廓系数值对性能进行优化，吞吐量的增加导致更低的功耗和更高的能源效率。
比较分析
本文提出的子切片框架与现有的基于三个关键因素的研究进行了比较，如第2节所述。在下面的比较分析中(如表3所示)，我们发现基于三个关键因素:异构性、延迟和负载均衡，我们的框架优于其他现有的研究。我们发现，以下方法都不支持子切片的概念，因此它们不能提供我们所提出的子切片框架所提供的灵活性和资源的最优分配。
- 异构性:我们根据其他方法将网络片资源分配给应用程序子模块的能力，将提出的框架与其他方法进行了比较。它将软件应用、云计算服务和基于云的基础设施资源等子模块与传统研究进行了比较。不同的子模块有不同的需求，不同的网络需求。在为应用程序分配资源的同时，能够解决异构条件问题的模型将为系统提供最佳的运行环境。
- 提出的框架:我们的模型首先实现了一个基于机器学习的支持向量机算法来识别不同的子应用程序的特征。医疗保健等应用程序是一个广泛的应用程序，具有不同于其他模块的各种子模块。在确定模块的不同特征后，我们应用k-means算法，将共同需求聚类到一个组中。对时延要求低的分组(如医用传感器)被分组在一个集群中，对可靠性要求高的分组(如网络管理员)被分组在一个集群中。利用5G的接入和核心网络特性，我们进一步分割网络，并将其分配到每个应用的子模块，以提高可靠性和效率。
- RL-NSB切片代理:基于强化学习的5G网络切片代理利用霍尔特温特(HW)预测方法实现流量预测。该方法根据用户需求和移动模式的历史数据，对网络切片的流量进行预测。一种基于不同用户需求分配资源的方法。尽管如此，现代应用程序由具有异构传感器设备的各种子模块组成。网络片不能为在单个分配的网络片上运行的整个应用程序提供优化的服务
- 分层认知引擎:Hao等人提出了一种分层认知引擎(HCE)架构，以实现5G网络中数据驱动的资源管理。他们研究的主要目的是根据可穿戴设备的需求分配资源。健身追踪器需要的通信资源更少，而AR和VR服务对通信资源的需求更大。他们的研究重点是为不同的异质器件提供优化的资源
- POSENS: Garcia-Aviles et al.在[A practical open source solution for end-to-end network slicing]提出了移动网络端到端网络切片解决方案。他们的研究和实验结果集中在为指定的网络片提供隔离，以及提供定制网络片的能力。POSENS工具提供了可定制的网络切片。但是，还没有根据不同的需要进一步划分片资源的规定。因此，它不能满足各种异构设备的需求。
- 延迟:延迟是网络片无法为分组在子模块中的设备提供最佳数据传输条件的结果。这种延迟导致设备无法连接到它们的服务器并及时提供有价值的数据。时延过高，可能导致网络故障或反馈错误。我们将我们的框架与现有的研究文献进行了比较。
- 本文的框架:我们将每个片划分为子片，这是基于每个子模块或应用程序的个别需求的定制需求。通过使用SVM学习不同应用子模块的特征，并使用k-means对其进行分组，根据其网络需求准确分配资源。在数据传输中需要低延迟的集群会根据这些确切的要求分配一个子片来满足服务水平协议。
- RL-NSB切片代理:基于强化学习的切片代理机制，根据应用程序的需求分配资源。应用程序中的每个子模块都被分配与父应用程序相同的公共网络片配置。尽管如此，并不是每个子模块都有与父应用程序相同的需求，这就确定了更广泛的需求。RL-NSB提出的模型不能最优地解决每个基于应用的子模块的网络需求。
- 分层认知引擎:提出的HCE架构实现了可穿戴设备的数据驱动资源管理方案。认知引擎对业务特性进行分析后，通过认知资源引擎监控各设备的资源消耗情况。全球认知引擎根据个人设备的需求分配资源。AR和VR的可穿戴设备是根据需求分配资源的，这有助于减少需要基于低延迟解决方案的应用程序的延迟。
- POSENS:基于用户/应用需求的端到端网络切片工具，可在应用需要时提供低延迟解决方案。但是，每个应用程序子模块的需求是不同的。当一个子模块要求低延迟的数据传输到服务器，其他可能更强调频谱效率。POSENS没有一个基于资源单独分配的解决方案，以满足不同的需求和广泛的应用程序需求。一个标准的网络切片可能会更好地服务于一个子模块，但它不会对其他子模块进行优化。
- 负载均衡:部署多个应用程序模块会对网络片的性能产生影响。应用程序的每个子模块都需要一个可定制的子片，以在优化的条件下工作。我们将我们提出的框架与其他方法进行了比较，以评估在操作多个子模块时，哪个对网络施加了最低的负载。
- 本文的框架:我们的模型使用机器学习有一个独立的网络子片。根据应用程序各子模块的不同需求，对有限的网络资源进行划分。这一步导致了资源分配的优化方法，例如当子模块需要低延迟时。另一个子模块要求高可靠性，以处理大规模部署的传感器设备。我们提出的模型通过将网络资源根据其需求进一步划分为子片来防止网络片拥塞。
- RL-NSB片代理:强化学习网络片代理，根据广泛的应用需求分配资源，广泛地解决了负载均衡问题;尽管如此，它并没有根据应用程序的动态需求来处理每个模块的需求。RL-NSB方法中提出的切片流量预测特性决定了网络使用的未来模式，并管理负载均衡，根据未来的要求;但是，由于应用程序本身有不同的需求，目前还没有解决最佳负载平衡问题的方案。
- 分层认知引擎:HCE架构根据用户可穿戴设备的交替需求管理负载平衡。分析了服务特性及其使用模式，利用基于服务的资源分配。资源的分配是为了实现网络资源的最佳利用。尽管如此，不同的用户有不同的需求，这种方法不能解决单个父片如何处理网络需求不同的广泛用户集的问题。
- POSENS: POSENS工具旨在根据用户需求提供可定制的网络切片。它针对所有用户或应用程序的单个网络片，并相应地划分网络。负载均衡是在广泛的网络切片级别上实现的，并且没有提供为单个应用程序模块的需求最佳地分配资源。
小结
本文提出了可持续5G环境下基于机器学习的网络子切片框架，为网络子切片提供了可持续的解决方案。在此框架下，提出了子切片的概念，以优化网络和负载均衡，包括将每个逻辑切片划分为一个虚拟化的资源子集群的电力效率问题。每个子片为应用程序系统提供不同优先级的所需资源。在提出的框架中，SVM算法和K-Means算法分别用于特征选择和聚类，以实现可持续5G网络中物联网应用的高效通信。我们对所提出的网络子切片框架进行了分析，结果表明，该框架在考虑三个因素时优于现有的研究:异构性、延迟和负载均衡以及功率效率。我们比较了单进程和多进程与现有5G网络切片技术的功率和吞吐量效率。该框架表现出改进的性能和降低的能源消耗。它展示了功率优化和高效性能与功耗的整体成就。通过实验分析，验证了所提框架与现有研究相比的有效性。在本文中，我们提供了一个系统原型的概念设计和一个基于所采用的单个解决方案的优势的简明评估。未来的工作将集中于使用开发的网络子切片来评估所提出框架的成功运行，并优化在5G环境下大节点中涉及和控制的不同参数。该框架的脆弱性与网络攻击的数量和类型的增加有关，网络攻击可能会影响子片的性能，从而影响父网络片的性能。未来的研究将会解决由所提出的子切片框架的实现所产生的安全影响。
版权声明：本文系对论文 “Machine Learning-Based Network Sub-Slicing Framework in a Sustainable 5G Environment” 的解读学习，翻译论文的核心内容的同时，补充解释论文中一些核心关键词。为了方便零基础或基础不扎实的读者阅读，对一些英文缩写或固有词汇进行了扩展解释。该论文为Q1论文，质量上佳。