Intelligent Network Slicing for V2X Services Toward 5G
Abstract:
- 为了解决什么问题?
现有的LTE网络不能有效地支持V2X业务严格而动态的需求。
2. 提出了什么解决方案?
提出了一种面向V2X业务的智能网络切片架构,该架构将网络功能和多维网络资源虚拟化并分配给不同的网络切片。为了实现智能优化切片,讨论了移动数据采集和ML算法设计等关键技术,开发了一个仿真平台来说明我们提出的智能网络切片的有效性。
IntroductIon主要告诉我们4点信息,并提出2个问题:
- 不同的v2x服务有着不同的对数据速率、可靠性和延迟的要求,如:安全服务要求时延低,娱乐服务要求速率高。但目前的LTE网络不能一刀切支持各种Qos需求。
2. 5G的NOMA、MIMO、网络软件化智能化为满足不同服务的Qos需求提供了条件和可能。
3. 通过SDN和NFV,移动网络运营商可以允许服务提供商定制自己的逻辑(虚拟)网络,即切片,从而更好地保证服务所需的QoS。
4. 人工智能和机器学习为5G网络环境的精确建模和及时解决带来了好处。
Q1:我们如何设计一个灵活的网络切片架构,该架构可以虚拟化车辆网络中的异构资源以进行网络切片?
Q2:考虑到车辆网络的具体要求,我们如何定制用于网络切片的高级ML技术?
V2X服务的不同需求
V2X通信分为四种模式,即车辆对行人(V2P)、车辆对车辆(V2V)、车辆对基础设施(V2I)和车辆对网络(V2N)通信。
![05c66801a900d74a30444eed588d3d3b.png](https://i-blog.csdnimg.cn/blog_migrate/3383c203985b064fef4554de85bc7b64.png)
交通安全与效率服务(低延迟和高可靠性):旨在减少交通事故的发生,提高交通效率。例如,为了避免盲点事故的发生,车辆通过V2V通信向周围车辆广播信息。周期性消息和事件驱动消息携带车辆的位置和运动学信息,以允许其他车辆和行人感知周围环境。
车载互联网和信息娱乐服务(高数据速率):这里的主要目标是通过V2N通信提供更舒适的信息娱乐体验。网络浏览、社交媒体访问和高清视频流可以为驾驶员和乘客提供按需娱乐信息。
自动驾驶相关服务(超低延迟、超高可靠性和高数据速率):单个自主驾驶车辆(ADV)的感知能力有限。借助于其他车辆或基础设施之间的协同感知信息,ADV的驾驶可靠性可以显著提高。
网络切片可以有效地处理在5G无线网络上提供的不同需求的V2X服务。然而,网络切片会给已经过于复杂的网络带来更多的复杂性,这使得传统的基于模型的网络管理方案失效。因此,在下一节中,我们将阐述使用先进的ML技术进行自主和有效的网络切片的机会。
V2X业务的智能网络分层体系结构
![daf6cd12d5283dd27a840acbb671a7be.png](https://i-blog.csdnimg.cn/blog_migrate/9e3fcd0c1cc049e29897d6fcd9875514.jpeg)
首先,提出了一个基于云技术的车载网络SDN框架,该框架可以分为两个网络域,即边缘云和远程云。
边缘云:边缘云在车辆用户设备(VUE)的物理近距离承载服务实体,可以保证V2X服务的低端到端响应时间。当VUE进入服务区域的覆盖区域时,它可以享受边缘云托管的V2X服务。边缘云物理上由通信、计算基础设施和存储基础设施组成。在边缘云中,RAN的所有网络功能都可以作为软件运行 计算基础设施模块。通过联合控制通信、计算和存储基础设施,边缘云可以实时向VUE提供V2X服务。
远程云:对于某个边缘云,在车载网络的其他部分有剩余的无线电、计算和存储资源。这些资源可以定义为远程云。当边缘云的性能不能满足V2X服务的QoS要求时,将其服务区域内的VUE服务请求卸载到远程云上。然而,要访问远程云,不仅需要无线链路,还需要有线链路,这将增加V2X服务的延迟。
然后,提出了一种智能网络切片架构,并将其划分为四层:网络基础设施虚拟化层、智能控制层(Intelligent Control Layer)、网络切片层和服务层。
![36950de7a5c4e7c7ddc7f77c86cc2226.png](https://i-blog.csdnimg.cn/blog_migrate/eb1a2b007d3615bcff870ce4d5c5e717.jpeg)
智能网络切片面临的挑战及解决方案——移动数据采集
收集两种类型的移动数据:服务相关数据和网络相关数据。
前者从每个网络片中的vue收集,后者从网络基础设施虚拟化层获取。
服务相关数据:指在服务过程中,每个网段中的Vue生成的数据。与服务相关的数据通常反映VUE的配置文件和通信模式/行为。智能控制层应该收集应用程序的位置、速度、服务请求记录和服务质量。SDCon可以利用收集到的数据来描述V2X服务的模式,提高V2X服务的QoS。
网络相关数据:移动运营商接收边缘和远程云基础设施生成的大量状态数据。然后将网络相关信息组装到网络基础设施虚拟化层。网络相关数据可以反映车辆网络的网络性能信息和运营成本。利用网络相关数据,如多维资源状态、V2X链路间干扰、网络拓扑结构、基础设施能耗等,SDCon可以将运营成本控制在合理的范围内。
移动数据的采集与预处理:由于车辆的移动性,车辆网络中的移动数据呈现出一个重要的特征:时空分集,即从空间和时间两个维度上。
因此,智能控制层定期采集移动数据,数据采集周期长度应为秒级。
![0e0fb5d2b931ff524cd56125d99b5e00.png](https://i-blog.csdnimg.cn/blog_migrate/ba888d6bb3a0aac57d438224881067f0.jpeg)
深度强化学习为智能控制层赋能
在智能控制器层,关键问题是如何让SDCon学习合适的网络切片部署策略,为V2X业务提供满意的QoS,并获得满意的收益。
为了解决这一问题,可以将网络分层部署方案的优化问题转化为SDCon与车载网络交互的强化学习(RL)模型。
使用RL的目的是寻找网络分层部署方案的最优部署策略,以最小化网络运营收入。
Observation:各网络域的通信、计算、存储状态,各网段的服务质量,服务区的车辆流量密度,各网段的车辆数。
Action:根据对车辆网络的观测,SDCon对网络切片配置方案进行切片配置自适应调整。
Reward:取决于两个因素。第一部分是V2X服务在延迟和可靠性方面的回报函数。第二部分是通信、存储和计算资源使用的成本函数。
![9df24def8da11a9c875fd3a0a30ef5f7.png](https://i-blog.csdnimg.cn/blog_migrate/d8f9a97d4d2ad3e1339838b796755d22.jpeg)
如图所示,在所提出的DQN中实现了两个改进:
- 利用卷积神经网络(CNN)从DQN的原始输入(即车辆网络的“快照”)中提取高级特征。CNN使用了一组局部连接的核滤波器来利用移动数据在不同区域的局部空间相关性。
- 将长期短期记忆(LSTM)网络纳入DQN,以维护和记忆车辆网络的观测历史,这可以捕获当前观测和以前状态之间的时间依赖关系。
上述两种技术结合在所提出的DQN中,可以更好地提取车辆网络中移动数据的时空分集。因此,在SDCon中使用DRL算法有望在复杂、多变和异构的车辆网络环境下“学习”合适的网络分层部署策略。
仿真结果与分析
考虑了两种V2V服务(即交通安全与效率服务、自主驾驶相关服务)。
服务的服务质量由两个指标来衡量,即包延迟和块错误率(BLER)。
![21970971b36dcc141e4c2e5e85072cab.png](https://i-blog.csdnimg.cn/blog_migrate/89966bb9ec6caf908b983aeaa5bc4461.jpeg)
在仿真中的DQN由输入层、LSTM层和输出层组成。
DQN的输入数据包括车辆流量密度、服务分片流量和服务质量。
LSTM层包含128个单元,使用整流线性单元(ReLU)作为激活函数。
隐藏层包含24个具有线性激活函数的单元;
输出层给出给定输入下的状态动作值的计算。
为了说明深度强化学习(DRL)在该体系结构中的重要性,将其与基于服务需求的网络切片方法进行了比较:它根据V2X服务的车辆流量密度、延迟和可靠性要求为每个切片分配无线资源。在这种方法下,在每个片上执行循环调度。
ER和分组延迟的联合概率密度函数(PDF),它反映了V2V服务的QoS。
不同颜色代表不同的概率密度值,即黄色区域的概率密度比绿色或蓝色区域的概率密度高。在所提出的智能网络切片架构下,在图6b中,可以看到在具有较低BLER和较低分组延迟的区域中存在比图6a中的参考网络切片方法更多的黄色(即,较高的概率)。对于业务安全和效率服务,分组延迟显著降低。
另一方面,对于自主驾驶相关业务,BLER明显降低。仿真结果表明,从分组延迟和BLER两个角度出发,提出的网络分层结构可以提高V2V业务的QoS,因为它允许控制层根据车辆网络的历史观测来演化网络分层部署策略。
![f9a0d79a1fe7e92b2004d1a7cbc1f71b.png](https://i-blog.csdnimg.cn/blog_migrate/9bb13202bfe0f3f77216012811e0757d.jpeg)
感受:
对于仿真部分,作者显得轻描淡写,可能这是一篇综述性论文,没有把实验部分说清楚;
作者提出的这种网络切片方法不知道怎么用程序去实现,深度强化学习(DRL)只是工具。
对于车联网场景下车辆实时移动的特点,文中说由于车联网的宏观状态只会在较大的时间维度上变化,因此不需要实时收集数据,每隔一段时间收集数据。实际上,在一个长期的时间尺度上,周期性地收集移动数据是合理避免冗余的方法。
意思应该就是,在比较小的周期间隔内(秒级)收集移动性信息,隔一段时间采集一次,隔一段时间采集一次。这也是目前唯一的办法了吧,连续的看成时间间隔很小的离散化。
总之,现在很多论文的算法都向机器学习方向发展,特别是深度学习和强化学习的结合,得好好学啊。
未来可以继续研究的方向:
- 如何向每个网络切片提供足够多的正交无线资源
2. 考虑在车辆网络中挖掘移动数据的问题
论文链接:Intelligent Network Slicing for V2X Services Toward 5G论文链接:
Intelligent Network Slicing for V2X Services Toward 5Gieeexplore.ieee.org