[论文解读] Integrated Methodology to Cognitive Network Slice Management in Virtualized 5G Networks

Xenofon Vasilakos, Navid Nikaein+3 more|arXiv (Cornell University)|May 11, 2020

Software-Defined Networks and 5G参考文献 23被引用 10

一句话总结

本文提出了一种集成的、四阶段的认知网络与切片管理（CNSM）方法，用于虚拟化5G网络，利用机器学习（ML）模型实现主动控制与异常检测。该方法结合了5G认知工作流、四阶段认知切片管理方法以及主动控制方案（PCS），可自主维持切片SLA、优化资源分配，并在动态、多租户环境中提升QoE——通过基于真实5G RAN数据的eHealth用例得到验证。

ABSTRACT

Fifth Generation (5G) networks are envisioned to be fully autonomous in accordance to the ETSI-defined Zero touch network and Service Management (ZSM) concept. To this end, purpose-specific Machine Learning (ML) models can be used to manage and control physical as well as virtual network resources in a way that is fully compliant to slice Service Level Agreements (SLAs), while also boosting the revenue of the underlying physical network operator(s). This is because specially designed and trained ML models can be both proactive and very effective against slice management issues that can induce significant SLA penalties or runtime costs. However, reaching that point is very challenging. 5G networks will be highly dynamic and complex, offering a large scale of heterogeneous, sophisticated and resource-demanding 5G services as network slices. This raises a need for a well-defined, generic and step-wise roadmap to designing, building and deploying efficient ML models as collaborative components of what can be defined as Cognitive Network and Slice Management (CNSM) 5G systems. To address this need, we take a use case-driven approach to design and present a novel Integrated Methodology for CNSM in virtualized 5G networks based on a concrete eHealth use case, and elaborate on it to derive a generic approach for 5G slice management use cases. The three fundamental components that comprise our proposed methodology include (i) a 5G Cognitive Workflow model that conditions everything from the design up to the final deployment of ML models; (ii) a Four-stage approach to Cognitive Slice Management with an emphasis on anomaly detection; and (iii) a Proactive Control Scheme for the collaboration of different ML models targeting different slice life-cycle management problems.

研究动机与目标

• 解决在资源需求高、SLA要求严格的虚拟化环境中，管理异构、动态5G网络切片日益增长的复杂性问题。
• 通过提供一种结构化、通用且可重用的方法论，弥合现有文献在设计、部署和管理基于ML的认知网络与切片管理系统方面的空白。
• 通过集成能够提前预测并缓解性能下降的主动ML模型，实现5G中的零接触网络与服务管理（ZSM）。
• 通过实现物理与虚拟网络功能之间的高效、自主协调，支持多租户5G网络，同时确保服务级别保障。
• 通过一个涉及基于救护车的远程医疗的真实eHealth用例验证该方法，重点在于在不损害患者数据隐私的前提下维持高QoE。

提出的方法

• 该方法基于5G认知工作流模型，指导ML模型的端到端生命周期——从设计、训练到部署和监控——确保与网络和服务需求保持一致。
• 提出一种四阶段认知切片管理（4-CSM）方法，强调异常检测，涵盖监控、分析、规划和执行（MAPE-K）四个阶段，实现主动适应。
• 主动控制方案（PCS）整合了多个ML模型，包括用于预测宽带CQI（wbCQI）的组合回归模型，该模型可指导带宽调整等操作，以维持QoS。
• PCS以两种模式运行：一是wbCQI预测模型直接驱动操作（‘预测’组件），二是支持其他模型如异常检测或分类（‘监控’组件）。
• 该方法利用来自Mosaic-5G平台和SlisceNet项目的实际5G监控数据，包括OpenAirInterface（OAI）和RAN层指标（如RSRP、RSRQ和SINR），用于训练和验证模型。
• 该方法支持集成多种ML模型，包括LSTM、XGBoost和LASSO，用于回归、异常检测和特征选择，并基于实际值与预测wbCQI值的差异，持续进行离线模型更新。

实验结果

研究问题

• RQ1 如何设计一种结构化、可重用的方法论，将机器学习模型整合到虚拟化5G网络的认知网络与切片管理（CNSM）中？
• RQ2 在动态和异构条件下，异常检测在实现5G网络切片主动、自主管理中扮演何种角色？
• RQ3 主动控制方案（PCS）如何有效协调多个ML模型，以在端到端切片中维持SLA合规性并优化QoS？
• RQ4 基于ML的wbCQI预测在提升关键任务5G用例（如eHealth远程医疗）中的网络资源分配与QoE方面有何作用？
• RQ5 如何利用真实世界5G RAN监控数据，在保护隐私的前提下训练和验证认知网络管理的ML模型？

主要发现

• 所提出的方法论成功通过集成工作流设计、分阶段认知管理与多模型主动控制方案，实现了5G网络切片的自主、主动管理。
• wbCQI预测的组合回归模型表现出高精度，RMSE和MAPE指标表明其具有出色的预测性能，尽管摘要中未提供具体数值。
• 异常检测与聚类模型已成功集成到工作流中，利用来自回归模型的特征，实现对网络性能下降的早期识别。
• 该方法支持基于实际值与预测wbCQI值差异的离线模型再训练，确保持续改进并适应不断变化的网络条件。
• 该方法在基于救护车的eHealth远程医疗真实用例中得到验证，证明其能够在不带来患者数据隐私风险的前提下维持高QoE。
• 作者已将原始和处理后的5G RAN监控数据集发布至CRAWDAD，显著促进了研究社区获取真实世界5G数据以支持未来研究。