边缘云管控车联网的经济高效双层网络切片技术
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
本文提出了一种基于 Lyapunov 漂移加罚方法的随机优化控制框架，以实现无线系统中网络切片的可靠低延迟传输，并在系统突发变化事件下提供有效的切片隔离。
Jan, 2018
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
本论文提出了一种基于服务的分层软切片框架用于具有缓存的车载网络，其中每个切片支持一项服务，资源在逻辑上被隔离但机会主义重复利用以利用多路复用增益。 研究了所提出框架的性能，并以两个典型的车载内容服务为例进行了理论分析，即时间关键的驾驶相关上下文信息服务（CIS）和带宽消耗的信息娱乐服务（IS）。 数值结果表明，所提出的软切片方法可以提高 IS 吞吐量 30％，同时保证相同级别的 CIS 内容新鲜度和服务延迟。
Dec, 2019
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
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
本文研究了雾计算系统，在其中云数据中心可以通过在广泛的地理区域部署大量的雾节点来补充。我们提出了动态网络切片的概念，其中区域编排器协调本地雾节点之间的工作负载分配，为支持具有一定服务质量（QoS）保证的特定类型的服务提供能源和计算资源的划分 / 切片。每个切片分配给每个节点的资源可以根据服务需求和能源供应情况进行动态调整。我们通过开发随机重叠联盟形成游戏来调查在能量波动和工作负载到达过程下雾节点之间的分布式合作和联合网络切片。我们发现允许雾节点对其他节点的未知状态和私人信息维护信念函数可以提高雾计算网络的整体处理能力。提出了一种基于信念状态部分可观察马尔科夫决策过程（B-POMDP）的算法，以在所有雾节点中实现最优资源切片结构。我们描述了如何在 3GPP 网络共享架构内实现我们提出的动态网络切片，并使用都柏林市部署了超过 200 个 BS 的真实蜂窝系统的真实 BS 位置数据评估了我们提出的框架的性能。我们的数值结果显示，即使每个雾节点只能与最近邻协调，也可以在某些情况下将由雾节点处理的总工作负载几乎增加一倍。
Jan, 2020
这篇论文介绍了一种使用人工智能技术的网络切片自动化资源管理方法，采用多目标策略并使用深度强化学习方法以最小化延迟、能源消耗和虚拟网络功能实例化成本。通过实验结果表明，该方法在提高切片成功率、降低延迟、节能和利用 CPU 方面具有优越性。
Jan, 2021
本文提出了一种具有先进的深度弈算法的网络切片方法，用于快速实时的网络资源分配，该方法在动态用户需求时，通过将各种类型的资源切片到不同的用户类别下的虚拟切片中来最大化网络提供商的长期回报，并能够在多资源同时优化时更快地获得最优平均回报。
Feb, 2019