[论文解读] 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 7

一句话总结

本文提出了一种分层的、基于人工智能的6G网络切片资源管理框架，利用深度强化学习（DRL）实现在多租户、多基础设施提供商（InP）环境下的实时、定制化资源分配。通过整合切片级反馈与动态自适应机制，该框架将服务质量满意度提升了近20%，并维持了网络切片提供商的长期高收入。

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.

研究动机与目标

• 解决在多个基础设施提供商（InP）和租户之间动态、多维的6G网络切片资源管理挑战。
• 实现根据用户需求波动、移动性及信道条件实时、定制化的资源分配。
• 在满足租户严格服务质量（QoS）要求的同时，平衡网络切片提供商（NSPs）的长期收入。
• 通过智能、自适应地控制虚拟网络功能（VNFs）和处理单元，降低运营成本并提高资源利用率。
• 开发一种可扩展的分层框架，支持端到端（E2E）切片管理，并将信令开销降至最低。

提出的方法

• 提出一种分层框架，包含全局资源管理器（GRM）和多个本地资源管理器（LRMs），以实现分布式决策。
• 在GRM中采用深度Q学习（DQL）和双DQL算法，基于切片级反馈做出最优、长期的资源分配决策。
• 在LRMs中实施实时切片自适应机制，当资源约束威胁服务质量时，动态重新配置处理单元。
• 将服务质量评估指标集成到强化学习奖励函数中，以指导策略学习。
• 将端到端切片管理建模为马尔可夫决策过程（MDP），其中状态包括当前资源利用率和VNF部署情况。
• 通过深度神经网络进行函数逼近，以处理动态网络环境中高维的状态-动作空间。

实验结果

研究问题

• RQ1 基于人工智能的资源管理如何在多租户6G网络切片中有效平衡收入最大化与服务质量维持？
• RQ2 深度强化学习在用户需求和网络条件动态变化下，对实时资源自适应有何影响？
• RQ3 如何将端到端（E2E）切片管理分解为在多个InP间可扩展的分层决策过程？
• RQ4 与非智能、静态资源分配相比，基于人工智能的定制化在服务质量与决策延迟方面有何性能提升？
• RQ5 在真实世界、多域6G网络中部署基于人工智能的资源管理仍面临哪些实际挑战？

主要发现

• 所提出的基于人工智能的框架相比非智能资源管理，将服务质量满意度提升了近20%。
• 即使每个切片的VNF数量不断增加，DRL框架的决策延迟仍保持在1秒以内，证明了其实际可行性。
• 双DQN（Double DQL）相比标准DQN提高了学习稳定性并减少了值函数高估，从而增强了策略收敛性。
• 该框架通过在资源约束威胁性能时触发实时切片自适应，成功维持了高质量的服务。
• 分层的GRM-LRM架构实现了可扩展的分布式控制，支持多租户和多InP部署场景。
• 仿真结果证实，该人工智能驱动方法在确保租户QoS保障的同时，为NSPs实现了更高的长期收入。