网络分割资源管理的机器学习：综述
本研究提出了一种基于深度强化学习的网络分片动态资源分配问题解决方案，模拟数据和真实负载驱动跟踪的模型评估表明，相比于基准均等分片策略，我们的解决方案提高了总资源利用率，降低了时延性能，并满足了更多的需求。
Aug, 2019
我们提出了一种新颖的框架，将约束优化方法和深度学习模型相结合，从而实现了强大的泛化能力和优越的逼近能力，基于该框架，我们设计了一种新的神经辅助算法，以在切片之间的资源限制下最大化网络效用，该算法具有高可扩展性，轻松适应不同数量的切片和切片配置，通过与深度强化学习方法等最先进的解决方案进行比较，我们在系统级网络模拟器中实施了该解决方案，并通过大量评估结果表明，在不同网络切片场景下，我们的解决方案获得了近乎最优的服务质量满意度和有希望的泛化性能。
Jan, 2024
一篇关于 5G 网络切片的研究论文，评估了包括逻辑回归模型、线性判别模型、k 最近邻模型、决策树模型、随机森林模型、SVC BernoulliNB 模型和 GaussianNB 模型在检测网络切片准确度和精确度方面的各种机器学习技术，并提供了 5G 网络切片的概述。
Oct, 2023
网络切片就是下一代移动网络（NGMN）和其他新系统如物联网（IoV）和工业物联网（IIoT）的重要推动因素和趋势。机器学习和编排是网络切片过程中至关重要的元素，本文讨论了基于机器学习的网络切片架构中的特征和能力编排，推荐使用 ML-embed agents、分布式学习内在机制和数据驱动的方法。通过开发 SFI2 网络切片架构中的特征编排案例，演示了架构特征编排过程和优势，突出了它对网络切片过程的重要性。
Jan, 2024
本研究探讨了深度强化学习在网络切片资源管理中的应用，并通过广泛的模拟比较实现了无线电资源切片和基于优先级的核心网络切片等场景中深度强化学习的优势。同时，从一个更广泛的视角讨论了在网络切片中应用深度强化学习可能面临的挑战。
May, 2018
这篇论文介绍了基于网络切片的 5G 系统的逻辑架构，以及网络切片中不同接入网络间的管理移动性和共享频谱的资源分配方案，提出了一种灵活的网路资源分配方案，并探讨了网络重建、网络切片管理和与其他 5G 技术合作的挑战。
Apr, 2017
在本研究中，我们提出了一个灵活、受限的学习框架，可以满足 Wi-Fi 网络中的网络切片要求。具体地，我们采用了一种无监督学习的方法，利用一个状态增强的原始 - 对偶算法，训练离线的神经网络策略来优化拉格朗日函数，并在执行阶段在线更新双变量动力学，以满足遍历的 QoS 要求。
May, 2024
网络切片是 5G 网络计算策略、移动边缘计算、移动云计算以及物联网车联网和工业物联网等垂直领域中广泛使用的关键技术之一，它允许对稀缺和有争议的资源进行优化和定制，以满足高度不同应用需求的动态、苛刻客户的要求。本研究提出的 SFI2 架构旨在探索网络切片架构目标领域多样性所产生的差距，通过与机器学习原生优化、节能切片和针对切片的安全功能的集成，提出了一个新的网络切片参考架构。该架构利用 “切片即服务” 范例，实现资源的全程编排，跨多个域和多种技术的实验网络。此外，SFI2 参考架构实例将通过原生的机器学习优化、节能感知切片和针对切片的安全功能，增强多域和多技术集成实验网络部署的实用领域。
Jul, 2023
本文介绍了如何使用深度强化学习（DRL）解决无线接入网络中多个切片共享物理资源，且包含多种不同要求的服务，针对此类场景中的需求感知资源分配问题，作者提出了一种基于生成式对抗网络（GAN）和 DDQN 算法的切片联网资源优化方法。实验表明，所提出的算法可以有效地提高网络切片的资源利用率和服务性能。
May, 2019
本文介绍了一种针对 6G 网络的人工智能本地网络切片架构，旨在促进人工智能和网络切片的协同作用，以便实现智能网络管理并支持新兴人工智能服务。
May, 2021