基于机器学习的定制化网络切片技术研究
发布时间：2021-07-07 15:15
下一代移动互联网需要满足各种不同应用场景需求与关键性能指标,难以用同一张网络支持所有需求。因此,需在通用的开放式网络架构下,利用软件定义网络（Software Defined Network,SDN）、网络功能虚拟化（Network Function Virtualization,NFV）、网络切片（Network Slicing,NS）等技术,构建定制化的专属虚拟子网,满足特定网络业务的需求。在网络切片技术实例化的过程中,网络业务的识别问题是实现面向业务类型建立切片的基础,需首先解决。由于网络规模的扩大,传统的数学工具在解决这一问题中遇到了前所未有的障碍。而随着机器学习的发展,可利用其算法较为准确的实现业务的识别,因此基于机器学习的网络切片技术值得研究。同时,网络资源分配也是保证用户体验的决定性因素之一,在进行资源分配时如何保证质量体验（Quality of Experience,QoE）的同时提高谱效有待研究。针对上述的两个问题,本文进行了如下研究:（1）本文研究了一种基于神经网络的网络业务识别方法,并给出了基于机器学习的网络切片设计方案。针对网络业务识别问题,设计了基于神经网络的...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
面向多业务网络切片
图 2.6 面向多网络切片用户的网络切片一般是按照资费对用户划分优先级，依据优先方式简单易行，但网络的谱效等资源的利用率通常较低；面向对物联网中多样的业务按需分配网络资源，可以在保证 QoE。不过面向多用户的网络切片在建立的过程中，由于网络场景不断出现，如何识别出网络业务的类型，并针对网络的业务类，是一个难点。业务的分类与识别务类型的识别是理解网络的行为特征，是认识、管理和优化价值体现在：络业务识别是明确网络业务的构成，是建立面向多业务的网oS 的基础；
图 2.10 神经网络训练分类模型示例然而，多隐藏层的神经网络难以直接用误差反向传播（BackPropagation,BP典减小损失函数的算法完成训练，因为训练误差会在多隐藏层内传播，不能收定的状态。有两种常用的方法解决这个问题，完成深层神经网络的训练。其中一种方法是无监督逐层训练，也称预训练。预训练是逐层考虑输入输出练完成后，再对整个神经网络的参数进行微调。这样从预训练寻找局部最优解微调寻找全局最优解，这样有效节省了训练开销。另外一种方法是权值共享。这种方法在卷积神经网络（Convolutional Ntworks, CNN）中得到了很好的应用[59]，卷积神经网络利用数据之间局部相关，在一个卷积层共享同一个卷积核，减少了卷积层上的参数，并且在深层神经每一个卷积层使用不同的卷积核，从而尽可能提取较多的特征。目前，神经网络在图像识别和自然语言处理的领域应用最为广泛[60]，也有越的人投入到神经网络在其他领域的应用中，如机器翻译、CTR 评估等方面。2.4.3 强化学习
【参考文献】：
期刊论文
[1]A Fairness Resource Allocation Algorithm for Coverage and Capacity Optimization in Wireless Self-Organized Network[J]. Pan Zhao,Lei Feng,Peng Yu,Wenjing Li,Xuesong Qiu. 中国通信. 2018(11)
[2]5G technology requirements and related test environments for evaluation[J]. Xi Meng,Jian Li,Dong Zhou,Dacheng Yang. 中国通信. 2016(S2)
[3]Allocation and Scheduling of Network Resource for Multiple Control Applications in SDN[J]. FENG Tao,BI Jun,WANG Ke. 中国通信. 2015(06)
[4]5G应用场景与可能的技术（英文）[J]. 袁弋非,朱龙明. 中国通信. 2014(11)
[5]基于自适应BP神经网络的网络流量识别算法[J]. 谭骏,陈兴蜀,杜敏,朱锴. 电子科技大学学报. 2012(04)
[6]Hybrid MDP based integrated hierarchical Q-learning[J]. TARN Tzyh-Jong. Science China（Information Sciences）. 2011(11)
本文编号：3269868
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
面向多业务网络切片
图 2.6 面向多网络切片用户的网络切片一般是按照资费对用户划分优先级，依据优先方式简单易行，但网络的谱效等资源的利用率通常较低；面向对物联网中多样的业务按需分配网络资源，可以在保证 QoE。不过面向多用户的网络切片在建立的过程中，由于网络场景不断出现，如何识别出网络业务的类型，并针对网络的业务类，是一个难点。业务的分类与识别务类型的识别是理解网络的行为特征，是认识、管理和优化价值体现在：络业务识别是明确网络业务的构成，是建立面向多业务的网oS 的基础；
图 2.10 神经网络训练分类模型示例然而，多隐藏层的神经网络难以直接用误差反向传播（BackPropagation,BP典减小损失函数的算法完成训练，因为训练误差会在多隐藏层内传播，不能收定的状态。有两种常用的方法解决这个问题，完成深层神经网络的训练。其中一种方法是无监督逐层训练，也称预训练。预训练是逐层考虑输入输出练完成后，再对整个神经网络的参数进行微调。这样从预训练寻找局部最优解微调寻找全局最优解，这样有效节省了训练开销。另外一种方法是权值共享。这种方法在卷积神经网络（Convolutional Ntworks, CNN）中得到了很好的应用[59]，卷积神经网络利用数据之间局部相关，在一个卷积层共享同一个卷积核，减少了卷积层上的参数，并且在深层神经每一个卷积层使用不同的卷积核，从而尽可能提取较多的特征。目前，神经网络在图像识别和自然语言处理的领域应用最为广泛[60]，也有越的人投入到神经网络在其他领域的应用中，如机器翻译、CTR 评估等方面。2.4.3 强化学习
【参考文献】：
期刊论文
[1]A Fairness Resource Allocation Algorithm for Coverage and Capacity Optimization in Wireless Self-Organized Network[J]. Pan Zhao,Lei Feng,Peng Yu,Wenjing Li,Xuesong Qiu. 中国通信. 2018(11)
[2]5G technology requirements and related test environments for evaluation[J]. Xi Meng,Jian Li,Dong Zhou,Dacheng Yang. 中国通信. 2016(S2)
[3]Allocation and Scheduling of Network Resource for Multiple Control Applications in SDN[J]. FENG Tao,BI Jun,WANG Ke. 中国通信. 2015(06)
[4]5G应用场景与可能的技术（英文）[J]. 袁弋非,朱龙明. 中国通信. 2014(11)
[5]基于自适应BP神经网络的网络流量识别算法[J]. 谭骏,陈兴蜀,杜敏,朱锴. 电子科技大学学报. 2012(04)
[6]Hybrid MDP based integrated hierarchical Q-learning[J]. TARN Tzyh-Jong. Science China（Information Sciences）. 2011(11)
本文编号：3269868
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3269868.html
