权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Resource Adjustment and Failure Recovery Techniques with High Efficient In-band Network Telemetry and Machine Learning for Network Slices

网络切片高效带内网络遥测和机器学习的资源调整和故障恢复技术

基本信息

批准号：
20H04173
负责人：
橘拓至
金额：
$ 11.07万
依托单位：
University of Fukui
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (B)
财政年份：
2020
资助国家：
日本
起止时间：
2020-04-01 至 2023-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-20H04173/
关键词：
ネットワークスライシング INT技術機械学習 SDN P4

项目摘要

本研究課題では，5G・IoT サービスでの利用が期待されているネットワークスライシングに対して，変動の激しい大容量トラヒックを収容しながら障害から適切に復旧できるように，INT技術および機械学習を用いた資源調整・障害復旧技術を確立する．今年度は，各ネットワークスライスに対してIn-band Network Telemetry の監視用パケットを確率的に割り当てることで，ネットワーク運用者が冗長なトラヒック増加を抑えつつ容易にネットワークスライスの状況を複数のネットワークスライスに対するネットワーク推定を容易に実現した．さらに，P4プログラムを用いた実験環境も構築した．また，収集したデータを基に深層強化学習を用いた資源割り当て技術を確立した．確立した深層強化学習技術の性能はシミュレーションで評価し，限定された環境ではあるがその有効性を示すことができた．また，サービスチェインで利用する複数のVNFを多段多階層ネットワークスライシングと連携して動的に管理するための技術の検討を行い，特にセキュリティ用のVNFを対象としたVNF配置法とサービスチェイン構成法を確立した．ヒューリスティックアルゴリズムも確立し，その性能評価にも取り組んだ．これらの技術の性能をシミュレーションによって評価し，様々なネットワーク環境下でその有効性を調査した．その結果，深層強化学習を用いた技術については，小規模環境での有効性を示すことができた．また，P4を用いた構築した実験環境において，学習データを収集し，その学習データを対象とした制御技術への拡張も行った．

This research topic aims to establish the utilization expectation of 5G IoT server, the adjustment of resource and the restoration technology of fault, and the mechanism of machine learning. This year, the monitoring accuracy of In-band Network Telemetry for each service provider should be improved, and it is easy for users to increase the number of service providers and to estimate the number of service providers. Today, the P4 platform is used to construct the environment. A deep learning process. To establish the performance of deep reinforcement learning techniques In this paper, we discuss the technology of multi-stage multi-layer production by using a plurality of VNFs, especially the VNF configuration method and the VNF composition method for multi-stage multi-layer production.ヒューリスティックアルゴリズムも确立し，その性能评価にも取り组んだ. The performance of the technology is evaluated and investigated in the environment of production. As a result, deep reinforcement learning techniques are used to demonstrate the effectiveness of small-scale environments. P4 is used to construct a learning environment.

项目成果

期刊论文数量（6）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

ネットワークスライシングにおけるDeep Q Nerworkを用いた動的資源調節法の提案

网络切片中使用Deep Q Nerwork的动态资源调整方法的提出

DOI：
发表时间：
2021
期刊：
影响因子：
0
作者：
Shinya Misaki;Keisuke Umakoshi;Tomokazu Matsui;Hyuckjin Choi;Manato Fujimoto;Keiichi Yasumoto;本多徹，寺西裕一，安倍広多;亀山裕司，橘拓至
通讯作者：
亀山裕司，橘拓至

Resource Adjustment Based on Deep Reinforcement Learning for Network Slices with Priority Classes

基于深度强化学习的优先级网络切片资源调整