CN114554496A - 基于机器学习的5g网络切片资源分配方法 - Google Patents
基于机器学习的5g网络切片资源分配方法 Download PDFInfo
- Publication number
- CN114554496A CN114554496A CN202210160011.0A CN202210160011A CN114554496A CN 114554496 A CN114554496 A CN 114554496A CN 202210160011 A CN202210160011 A CN 202210160011A CN 114554496 A CN114554496 A CN 114554496A
- Authority
- CN
- China
- Prior art keywords
- node
- decision tree
- network slice
- machine learning
- information gain
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000013468 resource allocation Methods 0.000 title claims abstract description 14
- 238000003066 decision tree Methods 0.000 claims abstract description 42
- 238000004891 communication Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及基于机器学习的5G网络切片资源分配方法,包括:通过机器学习算法建立单结点决策树,并对接入用户通过决策树模型分配网络切片。本发明的有益效果是:本发明可以根据当前无线通信***中多用户请求的业务需求与以及服务器可分配给用户的网络切片资源,通过机器学习的方法建立决策树模型,并按需地调整各层次结点特征与分类参数。基于此结果,***可以动态地调整对供给于各用户网络切片的类型与数目,使得***内各个用户在获得专用网络切片资源的基础上,各项业务的服务质量(QoS)需求在总体上最大化满足。
Description
技术领域
本申请属于通信技术领域,尤其涉及一种基于机器学习的5G网络切片资源分配方法。
背景技术
5G架构中的大量业务遍布不同行业、不同用户、不同业务,对通信质量也有不同的要求。国际电信联盟提出的5G应用场景包括:增强移动带宽(enhanced Mobile Broadband,eMBB)、大规模机器通信(massive Machine Type Communications,mMTC)和超高可靠低延时通信(Ultra-Reliable and Low Latency Communications,URLLC)。三种业务场景对速率、时延、可靠性等指标提出了不同的需求。网络切片技术要求运营商在同一个硬件网络设备的基础上构建虚拟的专用化网络块,分配给不同用户以满足用户对网络性能指标的不同要求。在多业务场景下,单一用户可能处理多项不同业务,因而对不同的网络指标都有较高的要求,而类型固定的网络切片无法完全满足多变的用户需求。当存在多个需求指标时,***应当区分用户各项指标的优先级以保证主要业务的正常运行,因此在分配网络切片时需要采取一种分配策略,使每个用户分配的网络切片都能较好地适应对应的业务,同时***内所有用户的主要性能指标效率整体上最大化。
目前5G网络切片的应用中,通常采用预先配置规则的方式分配网络切片,这种方法虽然能根据用户的实际需求提供合适的网络切片,但是无法动态地从全局多用户角度调整资源分配策略。这种按照业务请求时序分配资源的方式难以做到不同用户之间的公平性,造成资源的浪费。
发明内容
本申请的目的是克服现有技术中的不足,提供一种基于机器学习的5G网络切片资源分配方法,所述技术方案如下:
第一方面,提供了一种网络切片分配方法,所述方法由第一节点执行,所述方法包括:
步骤1、通过机器学习算法建立单结点决策树;
步骤2、对接入用户通过决策树模型分配网络切片。
作为优选,步骤1包括具体以下步骤:
步骤1.1、输入数据集、可用于判别的特征指标、所述特征指标的分类方式、决策树的构造阈值;
步骤1.2、建立单结点决策树,计算各项特征指标的信息增益,选取最大的信息增益对应的特征指标作为主结点;
步骤1.3、在步骤1.2中,如果某一个结点下,所有特征指标分类的信息增益都小于提前设定的构造阈值,那么视为该结点下的所有数据都分为同一类别;
步骤1.4、对所有的未被标记为某个类别的叶结点再次计算信息增益并计算最优的特征指标,重复上述步骤1.2与步骤1.3,直至所有叶结点内的数据属于同一个类别。
作为优选,所述方法还包括:
步骤3、接入用户改变或用户业务需求变化时,对接入用户通过决策树模型重新分配网络切片。
作为优选,机器学习模型在训练决策树时,将信息增益作为选择结点特征的准则。
作为优选,信息增益可以被表示为:
g(D,A)=H(D)-H(D|A)
其中,A表示一组数据的特征,D表示所述一组数据的分类结果,H(D)表示D的类别的信息熵,H(D|A)表示已知D的特征A后D类别的条件熵。
第二方面,提供了一种网络切片分配装置,所述装置包括:
建立模块,用于通过机器学习算法建立单结点决策树;
分配模块,用于对接入用户通过决策树模型分配网络切片。
第三方面,提供了一种通信***,包括:第一节点和第二节点;
所述第一节点为第二方面所述的网络切片分配装置。
第四方面,提供了一种计算机存储介质,所述计算机存储介质内存储有计算机程序;
所述计算机程序在计算机上运行时,使得计算机执行第一方面任一所述的方法。
本申请的有益效果包括:本申请可以根据当前无线通信***中多用户请求的业务需求与以及服务器可分配给用户的网络切片资源,通过机器学习的方法建立决策树模型,并按需地调整各层次结点特征与分类参数。基于此结果,***可以动态地调整对供给于各用户网络切片的类型与数目,使得***内各个用户在获得专用网络切片资源的基础上,各项业务的服务质量(QoS)需求在总体上最大化满足。也就是说,本申请减少了资源的浪费。
此外,网络切片资源分配策略由网络服务商执行,新接入***的用户端,或者用户端业务内容变更,只需要向服务端请求自身业务类型及需求,***即可动态完成对资源分配策略的调整。因此,本申请保证了用户或业务请求变动后,用户的业务可以正常运行。
附图说明
图1是本申请实施例提供的一种通信***的结构示意图;
图2是本申请实施例提供的一种基于机器学习的5G网络切片资源分配方法的流程图;
图3是本申请实施例提供的一种决策树模型的示意图;
图4是本申请实施例提供的一种网络切片分配装置的结构示意图。
具体实施方式
下面结合实施例对本申请做进一步描述。下述实施例的说明只是用于帮助理解本申请。应当指出,对于本技术领域的普通人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
图1为本申请实施例提供的一种通信***的结构示意图,如图1所示,该通信***包括:
第一节点与第二节点。其中,通信***中的节点可以是通信装置,也可以是通信装置中的一部分(如装置的接口单元)。比如,第一节点可以是服务器或服务器集群等,第二节点可以是客户端(如手机、电脑)等。需要说明的是,本申请实施例不对通信***中第二节点的数量进行限定,图1以通信***包含两个第二节点(第二节点A与第二节点B)为例,当然,通信***中第二节点的数量也可以为一个或超过两个。其中,第一节点可以称为服务端,第二节点可以称为用户端或用户。
第一节点与第二节点之间具有通信连接。比如,第一节点可以通过无线网络与第二节点连接。第一节点用于在同一个硬件网络设备的基础上构建虚拟的专用化网络块,该专用化网络块也称网络切片,且不同的网络切片的性能也不同。第二节点用于向第一节点发送业务请求,该不同的业务请求与不同性能的网络切片对应。此外,第一节点可以根据第二节点发送的业务请求向第二节点分配网络切片。
第一节点可以采用预先配置规则的方式分配网络切片,这种方法虽然能根据用户的实际需求提供合适的网络切片,但是无法动态地从全局多用户角度调整资源分配策略。这种按照业务请求时序分配资源的方式难以做到不同用户之间的公平性,造成资源的浪费。
基于以上问题,本申请实施例提供了一种网络切片分配方法,该网络切片分配方法中,第一节点可以通过决策树模型分配网络切片,提高了资源的利用率。而且,该决策树模型可以是通过机器学习的方式建立的,进而可以提升网络切片分配的准确度。此外,在第二节点的业务变动或第二节点的数量变动后,第一节点可以重新分配网络切片,保证了变动后的业务的正常运行。
示例地,请参考图2,该网络切片分配方法包括:
步骤1、通过机器学习算法建立单结点决策树;
获取决策树模型的方式多种多样,在一种可选的实现方式中,上述决策树模型是根据机器学习得到的。
示例地,在上述通信***中,第一节点将第二节点的业务所需的通信性能指标输入机器学习训练模型,用于计算通信***全局的网络切片分配策略,以得到决策树。
如图3所示,决策树在每个结点对用户需求一项的性能指标,如时延、信道容量、可靠性进行判断,在经过一条完整路径后到达叶结点,确定分配给该用户的网络切片类型。每个结点的指标类型、对指标判断的阈值都会影响决策树分配资源的效率,***采用机器学习的方法确定每一个内部结点将采用的判决指标。
决策树分类时有一些分类指标对分类结果的影响极小,经过分类后的数据必须再通过其他指标分类才能得到正确的结论,甚至丢弃也不影响最后的分类结果,而合适的分类指标只需要少量的分类即可完成分类,可以降低决策树的复杂度与运行时间。
机器学习模型在训练决策树时将信息增益作为选择结点特征的准则,信息增益表示得知目标的某项特征的信息而使得其类别信息的不确定度减小的程度。向决策树模型输入一组数据的特征A,输出对数据D的分类结果,在此***中,输入的特征是用户请求的性能指标,分类结果是需要分配给该用户的网络切片类型。特征A对数据D的信息增益可以被表示为:
g(D,A)=H(D)-H(D|A)
H(D)表示数据D的类别的信息熵,H(D|A)表示已知D的特征A后D类别的条件熵。此处的信息增益等价于数据集中类与特征的互信息。
步骤1包括具体以下步骤:
步骤1.1、输入数据集、可用于判别的特征指标及各指标的分类方式、决策树的构造阈值。如图3信道容量指标所示,该阈值并非唯一的,对同一特征指标可以有多种判别方式选择,包括不同阈值、不同类别数
步骤1.2、建立单结点决策树,计算各项特征指标的信息增益,选取最大的信息增益对应的特征指标作为主结点。
步骤1.3、在步骤1.2中,如果某一个结点下,所有特征指标分类的信息增益都小于提前设定的构造阈值,那么视为该结点下的所有数据都分为同一类别,即分配相同的网络切片,该步骤是为了避免决策树对输入数据过拟合。
步骤1.4、对所有的未被标记为某个类别的叶结点再次计算信息增益并计算最优的特征指标,重复上述步骤1.2与步骤1.3,直至所有叶结点内的数据属于同一个类别,即应当分配相同类型的网络切片资源。
步骤2、对接入用户通过决策树模型分配网络切片。
可选地,网络切片分配方法还包括:
步骤3、接入用户改变或用户业务需求变化时,对接入用户通过决策树模型重新分配网络切片。
在接入用户改变或用户业务需求变化时,步骤2中的网络切片资源分配结果已不适用。示例地,假设第二节点的业务a对应的网络切片为a1,业务b对应的网络切片为b1,且b1的性能指标高于a1。当第二节点的业务由a转向b时,如果不对网络切片资源的分配结果进行更新,第二节点分配到的网络切片仍为a1,此时,第二节点的业务b可能无法正常运行。
综上所述,本申请实施例提供的网络切片的分配方法中,第一节点通过基于机器学习建立的决策树模型对网络切片资源进行分配,而不是采用预先配置规则的方式分配网络切片,因此,可以减少资源浪费。
本申请实施例提供了一种网络切片分配装置,如图4所示,该网络切片分配装置包括:
建立模块,用于通过机器学习算法建立单结点决策树;
分配模块,用于对接入用户通过决策树模型分配网络切片。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序由处理器加载并执行以上述实施例提供的基于机器学习的5G网络切片资源分配方法,例如图2所示的方法。
Claims (8)
1.基于机器学习的5G网络切片资源分配方法,其特征在于,所述方法由第一节点执行,所述方法包括:
步骤1、通过机器学习算法建立单结点决策树;
步骤2、对接入用户通过决策树模型分配网络切片。
2.根据权利要求1所述的方法,其特征在于,步骤1包括具体以下步骤:
步骤1.1、输入数据集、可用于判别的特征指标、所述特征指标的分类方式、决策树的构造阈值;
步骤1.2、建立单结点决策树,计算各项特征指标的信息增益,选取最大的信息增益对应的特征指标作为主结点;
步骤1.3、在步骤1.2中,如果某一个结点下,所有特征指标分类的信息增益都小于提前设定的构造阈值,那么视为该结点下的所有数据都分为同一类别;
步骤1.4、对所有的未被标记为某个类别的叶结点再次计算信息增益并计算最优的特征指标,重复上述步骤1.2与步骤1.3,直至所有叶结点内的数据属于同一个类别。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
步骤3、接入用户改变或用户业务需求变化时,对接入用户通过决策树模型重新分配网络切片。
4.根据权利要求1所述的方法,其特征在于,机器学习模型在训练决策树时,将信息增益作为选择结点特征的准则。
5.根据权利要求4所述的方法,其特征在于,所述信息增益可以被表示为:
g(D,A)=H(D)-H(D|A)
其中,A表示一组数据的特征,D表示所述一组数据的分类结果,H(D)表示D的类别的信息熵,H(D|A)表示已知D的特征A后D类别的条件熵。
6.一种网络切片分配装置,其特征在于,所述装置包括:
建立模块,用于通过机器学习算法建立单结点决策树;
分配模块,用于对接入用户通过决策树模型分配网络切片。
7.一种通信***,其特征在于,包括:第一节点和第二节点;所述第一节点为权利要求6所述的网络切片分配装置。
8.一种计算机存储介质,其特征在于,所述计算机存储介质内存储有计算机程序;所述计算机程序在计算机上运行时,使得计算机执行权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160011.0A CN114554496A (zh) | 2022-02-22 | 2022-02-22 | 基于机器学习的5g网络切片资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160011.0A CN114554496A (zh) | 2022-02-22 | 2022-02-22 | 基于机器学习的5g网络切片资源分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114554496A true CN114554496A (zh) | 2022-05-27 |
Family
ID=81676597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210160011.0A Pending CN114554496A (zh) | 2022-02-22 | 2022-02-22 | 基于机器学习的5g网络切片资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114554496A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116155751A (zh) * | 2023-04-20 | 2023-05-23 | 上海帜讯信息技术股份有限公司 | 消息发送通道的配置方法及装置 |
-
2022
- 2022-02-22 CN CN202210160011.0A patent/CN114554496A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116155751A (zh) * | 2023-04-20 | 2023-05-23 | 上海帜讯信息技术股份有限公司 | 消息发送通道的配置方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111246586B (zh) | 一种基于遗传算法的分配智能电网资源的方法及*** | |
JP5113284B2 (ja) | ネットワークレートを割り当てる方法及び装置 | |
EP2304899B1 (en) | Priority-based admission control in a network with variable channel data rates | |
JP2013059048A (ja) | 品質及びレート情報に基づいてマルチメディアコンテンツのサイズを変更するための方法及びシステム | |
WO2023024219A1 (zh) | 云边协同网络中时延和频谱占用联合优化方法及*** | |
US20060262748A1 (en) | Methods and apparatus for enhanced delivery of content over a data network | |
CN110248417A (zh) | 一种电力物联网中上行通信业务的资源分配方法及*** | |
US11240123B2 (en) | Dynamic adaptive network | |
CN114205316B (zh) | 一种基于电力业务的网络切片资源分配方法及装置 | |
CN115103450B (zh) | 一种多业务时隙分配方法和设备 | |
Tran et al. | Reconfiguration of virtual network mapping considering service disruption | |
WO2024113974A1 (zh) | 算力网络的路由分配方法、装置、电子设备及存储介质 | |
CN110035128B (zh) | 一种直播调度方法、装置、直播***及存储介质 | |
CN114554496A (zh) | 基于机器学习的5g网络切片资源分配方法 | |
CN113099259B (zh) | 流媒体的组播发送方法、装置、组播服务器以及介质 | |
CN108200185B (zh) | 一种实现负载均衡的方法及装置 | |
US20230284130A1 (en) | Network slice assignment control systems and methods | |
CN115168017B (zh) | 一种任务调度云平台及其任务调度方法 | |
CN109462879B (zh) | 一种接纳控制方法及*** | |
JP5181053B2 (ja) | ネットワークレートを割り当てる方法及び装置 | |
JP2016143980A (ja) | 帯域割り当て制御装置及び帯域割り当て制御方法 | |
CN113099406A (zh) | 一种室内VLC-WiFi异构网络服务质量感知的跨层资源分配机制 | |
CN117793804B (zh) | 一种5g核心网络中网络切片资源调度方法及*** | |
JP7473004B2 (ja) | マクロフロー生成装置、マクロフロー生成方法及びプログラム | |
WO2023228379A1 (ja) | 基地局装置、及び通信リソースの管理方法 |
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 |