CN107743100B - 一种基于业务预测的在线自适应网络切片虚拟资源分配方法 - Google Patents
一种基于业务预测的在线自适应网络切片虚拟资源分配方法 Download PDFInfo
- Publication number
- CN107743100B CN107743100B CN201710941231.6A CN201710941231A CN107743100B CN 107743100 B CN107743100 B CN 107743100B CN 201710941231 A CN201710941231 A CN 201710941231A CN 107743100 B CN107743100 B CN 107743100B
- Authority
- CN
- China
- Prior art keywords
- network slice
- queue
- network
- value
- period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/83—Admission control; Resource allocation based on usage prediction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/80—Actions related to the user profile or the type of traffic
- H04L47/805—QOS or priority aware
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于业务预测的在线自适应虚拟资源分配算法,属于移动通信领域。该算法是在保障虚拟网络切片的QoS前提下,以最小化网络切片资源映射成本为目标进行的在线动态资源调度。在大时间尺度上利用自回归滑动平均模型对各网络切片的业务进行预测,并根据预测的最大概率负载值选择下一周期应当预留的最佳缓存空间大小;在小时间尺度上根据各网络切片的队列上溢概率或剩余时间值调整各网络切片的优先级,并以保障各网络切片的队列上溢概率为前提,为各网络切片分配适当的物理资源块以确保各网络切片的服务率。本发明提出的在线动态自适应虚拟资源分配方法可有效保障各网络切片的QoS,同时最小化网络切片的资源映射成本。
Description
技术领域
本发明属于移动通信领域,涉及一种基于业务预测的在线自适应的虚拟资源分配方法。
背景技术
随着移动用户数量的迅猛增长、智能终端的广泛普及,下一代网络技术需要提供更高的***容量、频谱利用率以及更低的时延等,由此,无线网络虚拟化技术应运而生。在无线网络虚拟化场景中,传统运营商被解耦成两个独立的角色:基础设备供应商(Infrastructure Provider,InP)和服务提供商(ServiceProvider,SP)。InP将网络中的物理资源(包括频谱、功率、天线、回传等)抽象、切片,以提供给SP构建不同需求的虚拟网络;SP可以从不同InP处租赁物理资源,为用户提供端到端的服务。由于物理资源的稀缺性、网络业务的随机性、SP的多样化QoS需求,如何高效地为SP(也可称为切片、虚拟网络)分配物理资源以提升***性能至关重要。
发明人在研究现有技术的过程中发现其存在如下缺点:
现有的虚拟化研究主要侧重于对频谱资源进行共享,而较少考虑网络切片对缓存资源的需求,在实际应用中,缓存资源的分配方式将严重影响网络切片的服务质量,若网络切片租用的缓存资源较少则会引起严重的数据丢包,相应地,网络切片的用户体验质量将急剧下降,若网络切片租用的缓存资源过多,则会造成资源的浪费。因此,有必要在虚拟化场景中同时考虑频谱资源和缓存资源的分配方式。此外,现有研究主要是静态的资源分配策略或基于当前调度周期的网络状态进行实时的资源调度,然而,由于网络负载的突发性变化,极有可能造成网络过载或资源供应过剩的情况,因此需要一种根据负载的变化特征前摄性地、动态地调整资源的分配策略。
发明内容
有鉴于此,本发明的目的在于提供一种基于业务预测的在线自适应的虚拟资源分配方法,应用该技术方案有利于保障网络切片的QoS需求同时降低网络切片的映射成本。
为达到上述目的,本发明提供如下技术方案:
一种基于业务预测的在线自适应网络切片虚拟资源分配方法,包括以下步骤:
S1:计算各网络切片的队列增长;
S2:确定各网络切片的优先级;
S3:执行资源调度;
S4:判断资源是否还有剩余;若还有剩余,则进入步骤S5;若没有剩余,则结束流程;
S5:构造新的网络切片集合;
S6:执行资源调度;
在保障虚拟网络切片的QoS前提下,根据各网络切片的业务预测结果,以最小化网络切片资源映射成本为目标,在不同时间尺度上对缓存空间和物理资源块进行联合分配。
进一步,在所述方法中,需要保障网络切片的QoS需求,即各网络切片的队列上溢概率不超过既定的门限值,以及确保各网络切片的丢包率不宜过大。
进一步,所述各网络切片的队列上溢概率为:各网络切片的缓存业务超过当前调度周期内其预留的缓存空间大小的概率;在每个调度周期上都根据各网络切片的业务状态进行动态资源调度。
进一步,所述动态资源调度以最小化网络切片映射成本为目标,其中所述的映射成本为ρk为网络切片k租用缓存空间的单价,Bk为网络切片k在当前调度周期内预留的缓存空间的大小,αk为网络切片k租用物理资源块的单价,xn,k为当前调度周期内物理资源块的分配策略,xn,k=1则表示物理资源块n分配给网络切片k,相反,xn,k=0则表示物理资源块n未分配给网络切片k。
进一步,所述不同时间尺度包括大时间尺度和小时间尺度,在大时间尺度上执行缓存空间的预留策略,而在小时间尺度上执行物理资源块的分配策略。
进一步,所述在大时间尺度上执行缓存空间的预留策略具体方法为:首先将业务状态离散化成多个区间,并统计各网络切片在大时间尺度周期内处于各状态区间的次数,并记录下在各调度周期内处于最大次数的状态区间;其次利用自回归滑动平均模型对各网络切片下一周期的最大频次状态区间进行建模与预测;最后各网络切片在下一大尺度调度周期的缓存空间的预留值即为所述预测结果值。
进一步,所述小时间尺度上执行物理资源块的分配策略具体为:
首先,对各网络切片的优先级进行排序,具体方法为:队列平均增长率大于可容忍的队列增量的网络切片的优先级高于队列平均增长率小于可容忍的队列增量的网络切片;在队列平均增长率大于可容忍的队列增量的网络切片集合中,计算各网络切片的剩余时间值,时间值越小,网络切片的优先级越高;在队列平均增长率小于可容忍的队列增量的网络切片集合中,计算各网络切片队列上溢概率,概率值越大,网络切片的优先级越高;其中队列平均增长率为在观测窗口内各调度周期的队列增长的总和与观测窗口的长度的比值;可容忍的队列增量为网络切片的当前缓存空间大小和前一调度周期的缓存队列长度之差与观测窗口的长度的比值;
其次,根据确定的网络切片的优先级顺序依次执行物理资源块的分配策略,具体方法为:首先根据各网络切片的优先顺序,依次为各网络切片分配足够的物理资源块数量,使网络切片的服务速率不小于网络切片在调度周期内到达的数据包数量;若所有网络切片都已获得物理资源块,而***中还有剩余的物理资源块,则选择新到达的数据包与上一周期的队列长度之和大于服务速率的网络切片,构造新的切片集合,并根据网络切片租用物理资源块单价的大小对所述集合中的网络切片进行排序,单价越小的切片,其优先级越高;按照已确定的优先顺序依次为所述网络切片增加物理资源块数量,直至网络切片的服务速率不小于其新到达的数据包与上一周期的队列长度之和
进一步,所述各网络切片的业务预测具体为:按照函数式计算各网络切片下一周期的业务状态,其中为网络切片k在调度周期n内的业务状态预测值,为网络切片k分别在调度周期(n-e),e=1,…p内的业务状态值,为各观测周期所对应的自回归系数,ε(n-e),e=0,…,q为白噪声序列,其均值为0,方差为θe,e=1,…,q为噪声序列对应的滑动参数;
预测模型建模方法为:
首先,为了保证观察序列为平稳的序列,考虑对观察序列进行对数处理,利用处理后的序列值进行预测;
其次,初始化模型的阶数,利用观察序列对模型的参数进行估计,包括所述自回归系数和滑动参数;
其中的参数估计方法为:采用逆函数法估计所述参数的值,先利用观察序列的自相关函数矩阵估计预测模型的逆函数,根据得到的逆函数值估计预测模型的滑动参数,再利用自回归滑动平均模型的后移算子所对应的线性方程组对自回归参数进行估计;
最后,利用AIC定阶准则确定预测模型的阶数。
进一步,所述参数估计方法具体为:
本发明的有益效果在于:本发明在不同时间尺度上根据各网络切片的业务预测结果动态地调整缓存资源和频谱资源的分配方式,可有效避免网络过载与资源供应过剩的情况。此外,在每个调度周期内动态调整各网络切片的优先级,既保证了各网络切片间的公平性,同时可实现为各网络切片提供统计上的QoS保证。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为***框架图;
图2为资源分配示意图;
图3为大时间尺度缓存资源预留工作流程图;
图4为小时间尺度频谱资源分配方法流程图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
参见图1,图1为本发明的***框架图。在本发明的实施例中,业务请求单元用于缓存各网络切片新到达的业务请求,负载分析单元则负责对各网络切片的业务数据进行分析,包括小时间尺度上的业务状态和大时间尺度上的最大频次状态区间,并对小时间尺度上的队列上溢概率进行估计和对大时间尺度上的状态区间进行预测。资源管理实体单元的基本功能是管理从物理网络中租用的资源,并决定各网络切片租用的频谱资源的最优数量以及预留的缓存空间的大小,从而实现最小化资源映射成本并保证各网络切片的QoS需求。网络状态监控实体用于执行对各租用资源的状态进行监控。切片调度器负责为各网络切片执行资源的调度决策。
参见图2,图2为资源分配示意图,在本发明实施例中,根据时间线展开对各网络切片频谱资源的分配和缓存资源的预留。在时间刻度上,分成大时间尺度周期和小时间尺度周期,在大时间尺度周期上利用自回归滑动平均模型对各网络切片的业务进行预测,并根据预测的最大概率负载值选择下一周期应当预留的最佳缓存空间大小;在小时间尺度周期上根据各网络切片的队列上溢概率或剩余时间值调整各网络切片的优先级,并以保障各网络切片的队列上溢概率为前提,为各网络切片分配适当的物理资源块以确保各网络切片的服务率。
参见图3,图3为大时间尺度缓存资源预留工作流程图,具体步骤为:
步骤301:获取历史观测数据,首先将业务状态离散化成多个区间,并统计各网络切片在大时间尺度周期内处于各状态区间的次数,并记录下在各调度周期内处于最大次数的状态区间;其次,为了保证观察序列为平稳的序列,对所述各调度周期内处于最大次数的状态区间进行对数处理,将处理后的值作为预测模型的历史数据。
步骤302:初始化预测模型的阶数,令p=1,q=1。其中所述预测模型为:
所述θe,e=1,…,q为:噪声序列对应的滑动参数;
采用逆函数法估计所述参数的值,
首先,利用观察序列的自相关函数估计所述滑动参数,
其次,利用所述自回归滑动平均模型的后移算子对应的线性方程组对所述自回归参数进行估计,
步骤304:根据上述步骤估计的参数值以及对应的残差方差的估计值计算预测模型的AIC函数,若在确定的模型阶数下的AIC函数的值达到最小值,则执行步骤305,否则增加模型阶数,继续执行步骤303。
步骤305:根据上述步骤确定的模型阶数和模型参数,执行对下一周期的业务值的预测。各网络切片在下一大尺度调度周期的缓存空间的预留值即为所述预测结果值。
参见图4,图4为小时间尺度频谱资源分配方法流程图,具体步骤为:
步骤401:计算各切片的队列增长,包括队列平均增长率和可容忍的队列增量,
其中所述的队列平均增长率等于在观测窗口内各调度周期的队列增长的总和与观测窗口的长度的比值,
所述可容忍的队列增量等于网络切片当前缓存空间大小和前一调度周期缓存队列长度之差与观测窗口的长度的比值。
步骤402:确定各网络切片的优先级,具体方法为:
队列平均增长率大于可容忍的队列增量的网络切片的优先级高于队列平均增长率小于可容忍的队列增量的网络切片。在所述队列平均增长率大于可容忍的队列增量的网络切片集合中,计算各切片的剩余时间值,所述时间值越小,切片的优先级越高。在所述队列平均增长率小于可容忍的队列增量的网络切片集合中,计算各网络切片队列上溢概率,所述概率值越大,切片的优先级越高;
步骤403:根据确定的各网络切片的优先级顺序,执行对频谱资源的调度,各网络切片分配到的物理资源块数量需满足切片的服务速率不小于其在调度周期内到达的数据包数量。
步骤404:若各网络切片都已获得频谱资源,而此时***中还有剩余的频谱资源,则执行步骤405,否则,结束。
步骤405:选择新到达的数据包与上一周期的队列长度之和大于服务速率的网络切片构造新的切片集合,并根据网络切片租用物理资源块单价的大小对所述集合的网络切片进行排序,单价越小的切片优先级越高。
步骤406:按照已确定的优先顺序依次为所述网络切片增加物理资源块数量,直至所述网络切片新到达的数据包与上一周期的队列长度之和不大于服务速率。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (9)
1.一种基于业务预测的在线自适应网络切片虚拟资源分配方法,其特征在于:该方法包括以下步骤:
S1:计算各网络切片的队列增长;
S2:确定各网络切片的优先级;
根据时间线展开对各网络切片频谱资源的分配和缓存资源的预留;在时间刻度上,分成大时间尺度周期和小时间尺度周期,在大时间尺度周期上利用自回归滑动平均模型对各网络切片的业务进行预测,并根据预测的最大概率负载值选择下一周期应当预留的最佳缓存空间大小;在小时间尺度周期上根据各网络切片的队列上溢概率或剩余时间值调整各网络切片的优先级,并以保障各网络切片的队列上溢概率为前提,为各网络切片分配适当的物理资源块以确保各网络切片的服务率;
大时间尺度缓存资源预留工作流程具体步骤为:
步骤301:获取历史观测数据,首先将业务状态离散化成多个区间,并统计各网络切片在大时间尺度周期内处于各状态区间的次数,并记录下在各调度周期内处于最大次数的状态区间;其次,为了保证观察序列为平稳的序列,对各调度周期内处于最大次数的状态区间进行对数处理,将处理后的值作为预测模型的历史数据;
步骤302:初始化预测模型的阶数,令p=1,q=1;其中预测模型为:
θe,e=1,…,q为:噪声序列对应的滑动参数;
采用逆函数法估计参数的值,
首先,利用观察序列的自相关函数估计滑动参数,
其次,利用自回归滑动平均模型的后移算子对应的线性方程组对自回归参数进行估计,
步骤304:根据上述步骤估计的参数值以及对应的残差方差的估计值计算预测模型的AIC函数,若在确定的模型阶数下的AIC函数的值达到最小值,则执行步骤305,否则增加模型阶数,继续执行步骤303;
步骤305:根据上述步骤确定的模型阶数和模型参数,执行对下一周期的业务值的预测;各网络切片在下一大尺度调度周期的缓存空间的预留值即为预测结果值;
小时间尺度频谱资源分配方法流程具体步骤为:
步骤401:计算各切片的队列增长,包括队列平均增长率和可容忍的队列增量,
其中的队列平均增长率等于在观测窗口内各调度周期的队列增长的总和与观测窗口的长度的比值;
可容忍的队列增量等于网络切片当前缓存空间大小和前一调度周期缓存队列长度之差与观测窗口的长度的比值;
步骤402:确定各网络切片的优先级,具体方法为:
队列平均增长率大于可容忍的队列增量的网络切片的优先级高于队列平均增长率小于可容忍的队列增量的网络切片;在队列平均增长率大于可容忍的队列增量的网络切片集合中,计算各切片的剩余时间值,时间值越小,切片的优先级越高;在队列平均增长率小于可容忍的队列增量的网络切片集合中,计算各网络切片队列上溢概率,概率值越大,切片的优先级越高;
步骤403:根据确定的各网络切片的优先级顺序,执行对频谱资源的调度,各网络切片分配到的物理资源块数量需满足切片的服务速率不小于其在调度周期内到达的数据包数量;
步骤404:若各网络切片都已获得频谱资源,而此时***中还有剩余的频谱资源,则执行步骤405,否则,结束;
步骤405:选择新到达的数据包与上一周期的队列长度之和大于服务速率的网络切片构造新的切片集合,并根据网络切片租用物理资源块单价的大小对集合的网络切片进行排序,单价越小的切片优先级越高;
步骤406:按照已确定的优先顺序依次为网络切片增加物理资源块数量,直至网络切片新到达的数据包与上一周期的队列长度之和不大于服务速率;
S3:执行资源调度;
S4:判断资源是否还有剩余;若还有剩余,则进入步骤S5;若没有剩余,则结束流程;
S5:构造新的网络切片集合;
S6:执行资源调度;
在保障虚拟网络切片的QoS前提下,根据各网络切片的业务预测结果,以最小化网络切片资源映射成本为目标,在不同时间尺度上对缓存空间和物理资源块进行联合分配。
2.根据权利要求1所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法,其特征在于:在所述方法中,需要保障网络切片的QoS需求,即各网络切片的队列上溢概率不超过既定的门限值,以及确保各网络切片的丢包率不宜过大。
3.根据权利要求2所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法,其特征在于:所述各网络切片的队列上溢概率为:各网络切片的缓存业务超过当前调度周期内其预留的缓存空间大小的概率;在每个调度周期上都根据各网络切片的业务状态进行动态资源调度。
5.根据权利要求1所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法,其特征在于:所述不同时间尺度包括大时间尺度和小时间尺度,在大时间尺度上执行缓存空间的预留策略,而在小时间尺度上执行物理资源块的分配策略。
6.根据权利要求5所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法,其特征在于:所述在大时间尺度上执行缓存空间的预留策略具体方法为:首先将业务状态离散化成多个区间,并统计各网络切片在大时间尺度周期内处于各状态区间的次数,并记录下在各调度周期内处于最大次数的状态区间;其次利用自回归滑动平均模型对各网络切片下一周期的最大频次状态区间进行建模与预测;最后各网络切片在下一大尺度调度周期的缓存空间的预留值即为所述预测结果值。
7.根据权利要求5所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法,其特征在于:所述小时间尺度上执行物理资源块的分配策略具体为:
首先,对各网络切片的优先级进行排序,具体方法为:队列平均增长率大于可容忍的队列增量的网络切片的优先级高于队列平均增长率小于可容忍的队列增量的网络切片;在队列平均增长率大于可容忍的队列增量的网络切片集合中,计算各网络切片的剩余时间值,时间值越小,网络切片的优先级越高;在队列平均增长率小于可容忍的队列增量的网络切片集合中,计算各网络切片队列上溢概率,概率值越大,网络切片的优先级越高;其中队列平均增长率为在观测窗口内各调度周期的队列增长的总和与观测窗口的长度的比值;可容忍的队列增量为网络切片的当前缓存空间大小和前一调度周期的缓存队列长度之差与观测窗口的长度的比值;
其次,根据确定的网络切片的优先级顺序依次执行物理资源块的分配策略,具体方法为:首先根据各网络切片的优先顺序,依次为各网络切片分配足够的物理资源块数量,使网络切片的服务速率不小于网络切片在调度周期内到达的数据包数量;若所有网络切片都已获得物理资源块,而***中还有剩余的物理资源块,则选择新到达的数据包与上一周期的队列长度之和大于服务速率的网络切片,构造新的切片集合,并根据网络切片租用物理资源块单价的大小对所述集合中的网络切片进行排序,单价越小的切片,其优先级越高;按照已确定的优先顺序依次为所述网络切片增加物理资源块数量,直至网络切片的服务速率不小于其新到达的数据包与上一周期的队列长度之和。
8.根据权利要求6所述的一种基于业务预测的在线自适应网络切片虚拟资源分配方法,其特征在于:所述各网络切片的业务预测具体为:按照函数式计算各网络切片下一周期的业务状态,其中为网络切片k在调度周期n内的业务状态预测值,为网络切片k分别在调度周期(n-e),e=1,…p内的业务状态值,为各观测周期所对应的自回归系数,ε(n-e),e=0,…,q为白噪声序列,其均值为0,方差为θe,e=1,…,q为噪声序列对应的滑动参数;
预测模型建模方法为:
首先,为了保证观察序列为平稳的序列,考虑对观察序列进行对数处理,利用处理后的序列值进行预测;
其次,初始化模型的阶数,利用观察序列对模型的参数进行估计,包括所述自回归系数和滑动参数;
其中的参数估计方法为:采用逆函数法估计所述参数的值,先利用观察序列的自相关函数矩阵估计预测模型的逆函数,根据得到的逆函数值估计预测模型的滑动参数,再利用自回归滑动平均模型的后移算子所对应的线性方程组对自回归参数进行估计;
最后,利用AIC定阶准则确定预测模型的阶数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710941231.6A CN107743100B (zh) | 2017-09-30 | 2017-09-30 | 一种基于业务预测的在线自适应网络切片虚拟资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710941231.6A CN107743100B (zh) | 2017-09-30 | 2017-09-30 | 一种基于业务预测的在线自适应网络切片虚拟资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107743100A CN107743100A (zh) | 2018-02-27 |
CN107743100B true CN107743100B (zh) | 2020-11-06 |
Family
ID=61237279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710941231.6A Active CN107743100B (zh) | 2017-09-30 | 2017-09-30 | 一种基于业务预测的在线自适应网络切片虚拟资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107743100B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11178257B1 (en) * | 2020-10-12 | 2021-11-16 | International Business Machines Corporation | Incarnation selection for application hosting on remote services environment |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062668B (zh) * | 2018-08-01 | 2021-10-08 | 重庆邮电大学 | 一种基于5g接入网络的多优先级的虚拟网络功能迁移方法 |
WO2020074687A1 (en) | 2018-10-11 | 2020-04-16 | Koninklijke Kpn N.V. | Dynamic slice priority handling |
CN111082955A (zh) * | 2018-10-22 | 2020-04-28 | 中兴通讯股份有限公司 | 一种网络切片的方法、计算机设备及存储介质 |
WO2020193394A1 (en) | 2019-03-22 | 2020-10-01 | Koninklijke Kpn N.V. | Third party network and network slice management |
US20220167355A1 (en) * | 2019-04-15 | 2022-05-26 | Nokia Solutions And Networks Oy | Resource allocation in a network slice |
CN110062424B (zh) * | 2019-04-19 | 2021-02-02 | 西安电子科技大学 | 一种面向服务的频谱切片方法、装置及计算机存储介质 |
CN111866953B (zh) * | 2019-04-26 | 2023-05-09 | ***通信有限公司研究院 | 一种网络资源分配方法、装置和存储介质 |
CN113133087B (zh) * | 2019-12-30 | 2023-09-05 | ***通信集团浙江有限公司 | 针对终端设备配置网络切片的方法及装置 |
CN111683381B (zh) * | 2020-04-28 | 2023-04-07 | 南京邮电大学 | 基于深度强化学习的端到端网络切片资源分配方法 |
CN113905448B (zh) * | 2020-07-06 | 2023-09-08 | ***通信集团重庆有限公司 | 无线网络资源调度方法、装置及设备 |
CN111741536B (zh) * | 2020-08-21 | 2020-12-18 | 深圳微品致远信息科技有限公司 | 一种用于5g网络的动态网络切片方法和*** |
CN112423347B (zh) * | 2020-11-02 | 2023-08-11 | 中国联合网络通信集团有限公司 | QoS保障方法及装置 |
CN112492687B (zh) * | 2020-11-16 | 2023-06-27 | 中国电子科技集团公司第七研究所 | 一种基于无线网络切片的自适应资源分配方法及*** |
CN113543170B (zh) * | 2021-03-03 | 2024-03-01 | 中国电子科技集团公司电子科学研究院 | 基于空间计算的卫星通信***架构及业务应用处理方法 |
CN113115376B (zh) * | 2021-03-17 | 2022-06-07 | 中国联合网络通信集团有限公司 | 一种下行资源块预留方法和装置 |
CN115242630B (zh) * | 2021-04-23 | 2023-10-27 | ***通信集团四川有限公司 | 一种5g网络切片的编排方法、装置及电子设备 |
CN113381888B (zh) * | 2021-06-08 | 2024-03-05 | 广东电网有限责任公司清远供电局 | 控制方法、装置、设备及存储介质 |
CN113726571B (zh) * | 2021-08-30 | 2022-07-12 | 电子科技大学 | 一种基于网络切片的网络资源动态分配方法 |
CN114268537B (zh) * | 2021-11-26 | 2023-12-22 | 华中科技大学 | 面向确定性网络的网络切片生成及动态配置***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106922002A (zh) * | 2017-04-26 | 2017-07-04 | 重庆邮电大学 | 一种基于内部拍卖机制的网络切片虚拟资源分配方法 |
CN106954267A (zh) * | 2017-04-14 | 2017-07-14 | 北京邮电大学 | 一种基于无线网络切片的资源管理方法 |
CN107071782A (zh) * | 2017-04-01 | 2017-08-18 | 北京邮电大学 | 基于网络切片的无线资源分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10644955B2 (en) * | 2015-08-21 | 2020-05-05 | Huawei Technologies Co., Ltd. | Method and apparatus for network slicing |
-
2017
- 2017-09-30 CN CN201710941231.6A patent/CN107743100B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107071782A (zh) * | 2017-04-01 | 2017-08-18 | 北京邮电大学 | 基于网络切片的无线资源分配方法 |
CN106954267A (zh) * | 2017-04-14 | 2017-07-14 | 北京邮电大学 | 一种基于无线网络切片的资源管理方法 |
CN106922002A (zh) * | 2017-04-26 | 2017-07-04 | 重庆邮电大学 | 一种基于内部拍卖机制的网络切片虚拟资源分配方法 |
Non-Patent Citations (1)
Title |
---|
基于切片划分的网络资源控制机制的研究与实现;吴一娜;《中国优秀硕士学位论文全文数据库》;20170331;I139-13 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11178257B1 (en) * | 2020-10-12 | 2021-11-16 | International Business Machines Corporation | Incarnation selection for application hosting on remote services environment |
Also Published As
Publication number | Publication date |
---|---|
CN107743100A (zh) | 2018-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107743100B (zh) | 一种基于业务预测的在线自适应网络切片虚拟资源分配方法 | |
CN110275758B (zh) | 一种虚拟网络功能智能迁移方法 | |
CN110099384B (zh) | 基于边-端协同的多用户多mec任务卸载资源调度方法 | |
CN109951821B (zh) | 基于移动边缘计算的最小化车辆能耗任务卸载方案 | |
Qian et al. | Survey on reinforcement learning applications in communication networks | |
CN102098684B (zh) | 认知无线网络中跨层资源分配***及方法 | |
CN106954232B (zh) | 一种时延优化的资源分配方法 | |
CN111711666B (zh) | 一种基于强化学习的车联网云计算资源优化方法 | |
JP4990279B2 (ja) | 端末の送信電力を減少させるための無線資源の割り当て | |
CN111278052B (zh) | 一种基于5g切片的工业现场数据多优先级调度方法 | |
CN105224393B (zh) | 一种JT-CoMP在C-RAN架构下的虚拟机调度机制 | |
EP3688938B1 (en) | Predictive scheduler | |
CN100459581C (zh) | 一种用于实时混合业务环境的可变参数分组调度方法 | |
Atawia et al. | Robust resource allocation for predictive video streaming under channel uncertainty | |
WO2016120731A1 (en) | System and method for controlling an operation of an application by forecasting a smoothed transport block size | |
CN109150756B (zh) | 一种基于sdn电力通信网的队列调度权值量化方法 | |
Phung-Duc et al. | Design and analysis of deadline and budget constrained autoscaling (DBCA) algorithm for 5G mobile networks | |
Tang et al. | ARMA-prediction-based online adaptive dynamic resource allocation in wireless virtualized network | |
Zhou et al. | Knowledge transfer based radio and computation resource allocation for 5G RAN slicing | |
CN101827446B (zh) | 一种无线承载调度方法和装置 | |
CN111328146A (zh) | 一种基于遗传算法优化传输速率权重的业务调度方法 | |
Mahenge et al. | Collaborative mobile edge and cloud computing: Tasks unloading for improving users’ quality of experience in resource-intensive mobile applications | |
Libório et al. | Network Slicing in IEEE 802.11 ah | |
EP1976318B1 (en) | Method, system and device for optimal flow assignment for heterogeneous network access | |
Kulkarni et al. | Simple traffic prediction mechanism and its applications in wireless networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210915 Address after: 210000 building 18, 699-22 Xuanwu Avenue, Xuanwu District, Nanjing City, Jiangsu Province Patentee after: CERTUSNET Corp. Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2 Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
TR01 | Transfer of patent right |