AI-assisted dimensioning of 5G network slices – review and perspectives

• Autorzy: Dulas Dominik , Walkowiak Krzysztof

Identyfikatory

DOI

10.15199/59.2023.4.43

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (20-22.09.2023 ; Kraków, Polska)
• Języki publikacji: EN

Abstrakty

EN

5G network slicing applications enable a set of new services that will automate industries and enhance our daily life. In this paper, we provide a review of challenges, investigation of the state of the art and show perspectives for future work in the area of AI-assisted dimensioning of 5G network slicing. Although there is a lot of research done, especially in the aspects of traffic predictions and network slicing management with AI assistance, in the current international publications there is no holistic solution for dimensioning of 5G radio cloud with network slicing.

PL

Zastosowanie plastrowania sieci 5G umożliwi stworzenie zestawu nowych usług celem automatyzacji przedsiębiorstw oraz ułatwienia naszego życia codziennego. W tym artykule, przedstawiamy przegląd wyzwań, analizujemy obecny stan wiedzy oraz wskazujemy perspektywy w zakresie wymiarowania plastrów sieci 5G wspomaganego metodami sztucznej inteligencji. Pomimo wielu badań, w szczególności w zakresie predykcji ruchu i zarządzania plastrami wspomaganych metodami AI, w obecnych badaniach naukowych nie znajdujemy prac przedstawiających całościowe rozwiązanie do wymiarowania plastrów sieci 5G w chmurze.

Słowa kluczowe

EN

5G wireless networks; Cloud-RAN; dimensioning; network slicing; QoS

PL

bezprzewodowe sieci 5G; wymiarowanie; plastrowanie sieci; QoS

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2023
• Tom: nr 4
• Strony: 204--207
• Opis fizyczny: Bibliogr. 18 poz., rys.

Twórcy

autor

Dulas Dominik

• Nokia Solutions and Networks
• Wroclaw University of Science and Technology, Wrocław

autor

Walkowiak Krzysztof

• Wroclaw University of Science and Technology, Wrocław

Bibliografia

• [1] Panek M. et. al. 2023. „5G/5G+ network management employing AI-based continuous deployment”. Applied Soft Computing, Volume 134.
• [2] Barakabitze A. A. et. al. 2020. “5G network slicing using SDN and NFV: A survey of taxonomy, architectures and future challenges”. Computer Networks, Volume 167.
• [3] Shen X. et al. 2020. "AI-Assisted Network-Slicing Based Next-Generation Wireless Networks". IEEE Open Journal of Vehicular Technology, vol. 1.
• [4] W. Wu et al.. 2022. "AI-Native Network Slicing for 6G Networks". IEEE Wirel. Commun., vol. 29.
• [5] Bega D. et. al. 2019. "DeepCog: Cognitive Network Management in Sliced 5G Networks with Deep Learning". IEEE INFOCOM 2019, Paris, France.
• [6] J. Ye and Y. -J. A. Zhang. 2020. "DRAG: Deep Reinforcement Learning Based Base Station Activation in Heterogeneous Networks". IEEE Trans. Mob. Comput., vol. 19.
• [7] Narayan Raman et al. 2018. “Future X Network Cost Economics - A network operator’s TCO journey through virtualization, automation, and network slicing”. Bell Labs Consulting.
• [8] X. Shen et. al. 2022. "Holistic Network Virtualization and Pervasive Network Intelligence for 6G". IEEE Communications Surveys & Tutorials, vol. 24.
• [9] Dulas D. et. al. 2022. "Method of 5G TDD Midhaul Multiplexing Gain Estimation based on System Level Traffic Measurements". SoftCOM, Croatia.
• [10] Kirmaz A. et. al. 2020. "Mobile Network Traffic Forecasting Using Artificial Neural Networks". MASCOTS 2020.
• [11] Adamuz-Hinojosa O. et. al. 2023. "Potential-Game Based 5G RAN Slice Planning for GBR Services". IEEE Access, vol. 11.
• [12] Gutterman C. et al. 2019. “RAN Resource Usage Prediction for a 5G Slice Broker”. Mobihoc '19. New York, USA.
• [13] Sciancalepore V. et. al. 2019. "RL-NSB: Reinforcement Learning-Based 5G Network Slice Broker" IEEE/ACM Transactions on Networking, vol. 27.
• [14] Khan M. U. et. al. 2020. "Service-Based Network Dimensioning for 5G Networks Assisted by Real Data,". IEEE Access, vol. 8.
• [15] Touati H. et. al. 2020. "Split analysis and fronthaul dimensioning in 5G C-RAN to guarantee ultra low latency". IEEE CCNC, USA.
• [16] Abozariba R. et. al. 2020. "Uncertainty-aware RAN Slicing via Machine Learning Predictions in Next Generation Networks". VTC2020-Fall, Canada.
• [17] Bektas C. et. al. 2022. "The Cost of Uncertainty: Impact of Overprovisioning on the Dimensioning of Machine Learning-based Network Slicing". FNWF, Canada.
• [18] https://www.ericsson.com/en/blog/2022/3/next-genai-driven-network-dimensioning-solution

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).