發(fā)布時(shí)間：2021-07-07 15:15

　　下一代移動(dòng)互聯(lián)網(wǎng)需要滿足各種不同應(yīng)用場(chǎng)景需求與關(guān)鍵性能指標(biāo),難以用同一張網(wǎng)絡(luò)支持所有需求。因此,需在通用的開放式網(wǎng)絡(luò)架構(gòu)下,利用軟件定義網(wǎng)絡(luò)（Software Defined Network,SDN）、網(wǎng)絡(luò)功能虛擬化（Network Function Virtualization,NFV）、網(wǎng)絡(luò)切片（Network Slicing,NS）等技術(shù),構(gòu)建定制化的專屬虛擬子網(wǎng),滿足特定網(wǎng)絡(luò)業(yè)務(wù)的需求。在網(wǎng)絡(luò)切片技術(shù)實(shí)例化的過程中,網(wǎng)絡(luò)業(yè)務(wù)的識(shí)別問題是實(shí)現(xiàn)面向業(yè)務(wù)類型建立切片的基礎(chǔ),需首先解決。由于網(wǎng)絡(luò)規(guī)模的擴(kuò)大,傳統(tǒng)的數(shù)學(xué)工具在解決這一問題中遇到了前所未有的障礙。而隨著機(jī)器學(xué)習(xí)的發(fā)展,可利用其算法較為準(zhǔn)確的實(shí)現(xiàn)業(yè)務(wù)的識(shí)別,因此基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)切片技術(shù)值得研究。同時(shí),網(wǎng)絡(luò)資源分配也是保證用戶體驗(yàn)的決定性因素之一,在進(jìn)行資源分配時(shí)如何保證質(zhì)量體驗(yàn)（Quality of Experience,QoE）的同時(shí)提高譜效有待研究。針對(duì)上述的兩個(gè)問題,本文進(jìn)行了如下研究:（1）本文研究了一種基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)業(yè)務(wù)識(shí)別方法,并給出了基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)切片設(shè)計(jì)方案。針對(duì)網(wǎng)絡(luò)業(yè)務(wù)識(shí)別問題,設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)的... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：98 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

面向多業(yè)務(wù)網(wǎng)絡(luò)切片

圖 2.6 面向多網(wǎng)絡(luò)切片用戶的網(wǎng)絡(luò)切片一般是按照資費(fèi)對(duì)用戶劃分優(yōu)先級(jí)，依據(jù)優(yōu)先方式簡單易行，但網(wǎng)絡(luò)的譜效等資源的利用率通常較低；面向?qū)ξ锫?lián)網(wǎng)中多樣的業(yè)務(wù)按需分配網(wǎng)絡(luò)資源，可以在保證 QoE。不過面向多用戶的網(wǎng)絡(luò)切片在建立的過程中，由于網(wǎng)絡(luò)場(chǎng)景不斷出現(xiàn)，如何識(shí)別出網(wǎng)絡(luò)業(yè)務(wù)的類型，并針對(duì)網(wǎng)絡(luò)的業(yè)務(wù)類，是一個(gè)難點(diǎn)。業(yè)務(wù)的分類與識(shí)別務(wù)類型的識(shí)別是理解網(wǎng)絡(luò)的行為特征，是認(rèn)識(shí)、管理和優(yōu)化價(jià)值體現(xiàn)在：絡(luò)業(yè)務(wù)識(shí)別是明確網(wǎng)絡(luò)業(yè)務(wù)的構(gòu)成，是建立面向多業(yè)務(wù)的網(wǎng)oS 的基礎(chǔ)；

圖 2.10 神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類模型示例然而，多隱藏層的神經(jīng)網(wǎng)絡(luò)難以直接用誤差反向傳播（BackPropagation,BP典減小損失函數(shù)的算法完成訓(xùn)練，因?yàn)橛?xùn)練誤差會(huì)在多隱藏層內(nèi)傳播，不能收定的狀態(tài)。有兩種常用的方法解決這個(gè)問題，完成深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。其中一種方法是無監(jiān)督逐層訓(xùn)練，也稱預(yù)訓(xùn)練。預(yù)訓(xùn)練是逐層考慮輸入輸出練完成后，再對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行微調(diào)。這樣從預(yù)訓(xùn)練尋找局部最優(yōu)解微調(diào)尋找全局最優(yōu)解，這樣有效節(jié)省了訓(xùn)練開銷。另外一種方法是權(quán)值共享。這種方法在卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Ntworks, CNN）中得到了很好的應(yīng)用[59]，卷積神經(jīng)網(wǎng)絡(luò)利用數(shù)據(jù)之間局部相關(guān)，在一個(gè)卷積層共享同一個(gè)卷積核，減少了卷積層上的參數(shù)，并且在深層神經(jīng)每一個(gè)卷積層使用不同的卷積核，從而盡可能提取較多的特征。目前，神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別和自然語言處理的領(lǐng)域應(yīng)用最為廣泛[60]，也有越的人投入到神經(jīng)網(wǎng)絡(luò)在其他領(lǐng)域的應(yīng)用中，如機(jī)器翻譯、CTR 評(píng)估等方面。2.4.3 強(qiáng)化學(xué)習(xí)

【參考文獻(xiàn)】：
期刊論文
[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.  中國通信. 2018(11)
[2]5G technology requirements and related test environments for evaluation[J]. Xi Meng,Jian Li,Dong Zhou,Dacheng Yang.  中國通信. 2016(S2)
[3]Allocation and Scheduling of Network Resource for Multiple Control Applications in SDN[J]. FENG Tao,BI Jun,WANG Ke.  中國通信. 2015(06)
[4]5G應(yīng)用場(chǎng)景與可能的技術(shù)（英文）[J]. 袁弋非,朱龍明.  中國通信. 2014(11)
[5]基于自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量識(shí)別算法[J]. 譚駿,陳興蜀,杜敏,朱鍇.  電子科技大學(xué)學(xué)報(bào). 2012(04)
[6]Hybrid MDP based integrated hierarchical Q-learning[J]. TARN Tzyh-Jong.  Science China（Information Sciences）. 2011(11)



本文編號(hào)：3269868