[论文解读] 5G Network Slicing: Analysis of Multiple Machine Learning Classifiers

Mirsad Malkoc, Hisham A. Kholidy|arXiv (Cornell University)|Oct 3, 2023

Network Security and Intrusion DetectionComputer Science被引用 3

一句话总结

本文评估了多种机器学习分类器——逻辑回归、随机森林、SVM 和朴素贝叶斯——用于检测和分类 5G 网络切片，表明在动态网络条件下，集成方法如随机森林在识别切片特征方面实现了最高的准确率和精确率。

ABSTRACT

The division of one physical 5G communications infrastructure into several virtual network slices with distinct characteristics such as bandwidth, latency, reliability, security, and service quality is known as 5G network slicing. Each slice is a separate logical network that meets the requirements of specific services or use cases, such as virtual reality, gaming, autonomous vehicles, or industrial automation. The network slice can be adjusted dynamically to meet the changing demands of the service, resulting in a more cost-effective and efficient approach to delivering diverse services and applications over a shared infrastructure. This paper assesses various machine learning techniques, including the logistic regression model, linear discriminant model, k-nearest neighbor's model, decision tree model, random forest model, SVC BernoulliNB model, and GaussianNB model, to investigate the accuracy and precision of each model on detecting network slices. The report also gives an overview of 5G network slicing.

研究动机与目标

• 分析多种机器学习模型在基于关键 QoS 参数检测和分类 5G 网络切片方面的性能。
• 识别在实时网络切片监控与管理中最具准确性和精确性的机器学习分类器。
• 在 5G 网络切片安全性和效率的背景下，对传统模型与概率模型进行对比评估。
• 通过评估模型在不同网络需求和配置下的鲁棒性，支持动态切片分配。

提出的方法

• 本研究采用监督式机器学习框架，基于带宽、时延、可靠性和安全性能等指标对带标签的网络切片数据进行处理。
• 训练并测试了多种分类器，包括逻辑回归、线性判别分析、k-最近邻、决策树、随机森林，以及伯努利和高斯朴素贝叶斯。
• 使用标准指标（准确率、精确率、召回率和 F1 分数）在标准化的网络切片子孙数据集上评估模型性能。
• 模型在反映现实世界应用场景（如虚拟现实、自动驾驶和工业自动化）的合成或模拟 5G 网络切片数据上进行训练。
• 对模型进行超参数调优，以优化集成模型和基于核函数的模型（如 SVM）的性能。
• 采用交叉验证以确保模型泛化能力，并减少在不同网络切片配置下的过拟合风险。

实验结果

研究问题

• RQ1 基于 QoS 参数，哪种机器学习分类器在检测和分类 5G 网络切片方面实现了最高准确率？
• RQ2 线性、基于树和概率型分类器在切片识别中的精确率和召回率表现如何比较？
• RQ3 模型复杂度对动态 5G 网络切片环境中检测性能有何影响？
• RQ4 集成方法如随机森林是否能在分类多样化 5G 使用场景方面优于单个模型？
• RQ5 伯努利和高斯朴素贝叶斯变体在切片分类任务中的表现相对于其他分类器如何？

主要发现

• 随机森林分类器在所有评估模型中实现了最高准确率和精确率，优于逻辑回归、SVM 和朴素贝叶斯变体。
• k-最近邻和决策树模型表现中等，但在不同网络负载条件下一致性较差。
• 高斯和伯努利朴素贝叶斯模型精确率较低，尤其在区分高时延和低时延切片类型时表现不佳。
• 逻辑回归在二分类任务中表现良好，但在多分类切片识别任务中表现欠佳。
• 采用径向基函数核的 SVM 展现了强劲性能，但其计算资源消耗高于基于树的模型。
• 本研究证实，集成学习方法最适合实时 5G 网络切片检测，因其具备高鲁棒性和高预测准确率。