[論文レビュー] Customized Slicing for 6G: Enforcing Artificial Intelligence on Resource Management

Wanqing Guan, Haijun Zhang+1 more|arXiv (Cornell University)|Feb 21, 2021

Software-Defined Networks and 5G参考文献 15被引用数 7

ひとこと要約

本論文は、6Gネットワークスライシングにおける階層的でAI駆動のリソース管理フレームワークを提案し、深層強化学習（DRL）を用いてマルチテナント・マルチInP環境においてリアルタイムでカスタマイズされたリソース割り当てを可能にする。スライスレベルのフィードバックと動的適応を統合することで、サービス品質満足度を約20%向上させるとともに、ネットワークスライスプロバイダーの長期的収益を維持する。

ABSTRACT

Next generation wireless networks are expected to support diverse vertical industries and offer countless emerging use cases. To satisfy stringent requirements of diversified services, network slicing is developed, which enables service-oriented resource allocation by tailoring the infrastructure network into multiple logical networks. However, there are still some challenges in cross-domain multi-dimensional resource management for end-to-end (E2E) slices under the dynamic and uncertain environment. Trading off the revenue and cost of resource allocation while guaranteeing service quality is significant to tenants. Therefore, this article introduces a hierarchical resource management framework, utilizing deep reinforcement learning in admission control of resource requests from different tenants and resource adjustment within admitted slices for each tenant. Particularly, we first discuss the challenges in customized resource management of 6G. Second, the motivation and background are presented to explain why artificial intelligence (AI) is applied in resource customization of multi-tenant slicing. Third, E2E resource management is decomposed into two problems, multi-dimensional resource allocation decision based on slice-level feedback and real-time slice adaption aimed at avoiding service quality degradation. Simulation results demonstrate the effectiveness of AI-based customized slicing. Finally, several significant challenges that need to be addressed in practical implementation are investigated.

研究の動機と目的

• 複数のインfraプロバイダー（InP）とテナントを含む6Gネットワークスライシングにおける動的で多次元のリソース管理の課題に対処する。
• 変動するユーザー需要、移動性、チャネル状態に適応するリアルタイムでカスタマイズされたリソース割り当てを可能にする。
• テナントの厳格なサービス品質（QoS）要件とネットワークスライスプロバイダー（NSP）の長期的収益の両立を図る。
• 仮想ネットワーク関数（VNF）および処理ユニットの知的で適応的な制御により、運用コストを削減し、リソース利用効率を向上させる。
• 最小限のシグナリングオーバーヘッドでエンドツーエンド（E2E）スライス管理をサポートするスケーラブルで階層的なフレームワークを構築する。

提案手法

• グローバルリソースマネージャー（GRM）と複数のローカルリソースマネージャー（LRM）を有する階層的フレームワークを提案し、分散意思決定を実現する。
• スライスレベルのフィードバックに基づいて最適で長期的なリソース割り当て意思決定を下すために、深層Q学習（DQL）およびダブルDQLアルゴリズムをGRMで採用する。
• リソース制約がサービス品質に影響を及てる場合に、LRMでリアルタイムのスライス適応を実行し、処理ユニットを動的に再構成する。
• 強化学習の報酬関数にサービス品質評価指標を統合し、ポリシー学習をガイドする。
• エンドツーエンド（E2E）スライス管理をマークフ・意思決定過程（MDP）としてモデル化し、状態には現在のリソース利用状況とVNF配置が含まれる。
• 動的ネットワーク環境における高次元の状態行動空間を扱うために、深層ニューラルネットワークによる関数近似を適用する。

実験結果

リサーチクエスチョン

• RQ1 AIベースのリソース管理は、マルチテナント6Gネットワークスライシングにおいて、収益最大化とサービス品質維持の両立をどのように効果的に実現できるか？
• RQ2 動的ユーザー需要およびネットワーク状態下で、深層強化学習がリアルタイムのリソース適応に与える影響は何か？
• RQ3 エンドツーエンド（E2E）スライス管理は、複数のInPに跨るスケーラブルで階層的な意思決定プロセスにどのように分解可能か？
• RQ4 サービス品質と意思決定遅延の観点から、AI駆動のカスタマイズ手法は、非知的で静的リソース割り当てと比較してどの程度のパフォーマンス向上を達成できるか？
• RQ5 実世界のマルチドメイン6GネットワークにAIベースのリソース管理を展開するにあたり、依然として残る実用的課題は何か？

主な発見

• 提案されたAIベースのフレームワークは、非知的リソース管理と比較して、サービス品質満足度を約20%向上させる。
• スライスあたりのVNF数が増加しても、DRLベースのフレームワークの意思決定遅延は1秒未満に保たれ、実用的妥当性を示している。
• ダブルDQN（Double DQL）は、標準DQNと比較して学習安定性を向上させ、過大評価を低減し、ポリシー収束を改善する。
• リソース制約が性能に影響を及てる場合にリアルタイムスライス適応をトリガーすることで、フレームワークは高いサービス品質を継続的に維持する。
• 階層的GRM-LRMアーキテクチャは、マルチテナントおよびマルチInP展開シナリオをサポートするスケーラブルで分散制御を実現する。
• シミュレーション結果から、AI駆動アプローチがNSPの長期的収益を高める一方で、テナントのQoS保証も確実に達成していることが確認された。