Alokace zdrojů pro slicing v 6G sítích pomocí distribuované hluboké neuronové sítě

Abstract

Network slicing se ukazuje jako klı́čový koncept v sı́tı́ch 5G a dalšı́ch generacı́ch. V konceptu network slicingu by operátoři sı́tı́ měli spravovat fyzické zdroje mezi slicy. Tyto fyzické zdroje, použı́vané a pozorované na různých mı́stech, jsou ideálně alokovány do každého slicu sı́tě na základě předpovědi spotřeby zdrojů. Zdroje z vı́ce lokalit jsou obvykle agregovány přes Edge v Cloudu, kde lze alokaci vytvořit, komunikace Edge-Cloud zvyšuje komunikačnı́ režii. Tato práce navrhuje formu distribuce hlubokých neuronových sı́tı́ (DNN), která snižuje mı́ru komunikačnı́ režie v sı́ti způsobenou přenosem informacı́ o zdrojı́ch Edge-Cloud při zachovánı́ schopnostı́ předpovědi centralizované DNN. Práce také navrhuje novou cı́lovou funkci správy sliců umožňujı́cı́ (D)DNN vytvářet alokaci pro vı́ce sliců najednou. Distribuce DNN vyžaduje kontrolu výkonu, pro které jsou navržena tři možná řešenı́. Všechna řešenı́ jsou porovnána pro natrénované DDNN a použita pro porovnánı́ mezi výkonem a komunikačnı́ režiı́. Nabı́zená řešenı́ umožňujı́ dosáhnout pouze zlomku potřebné komunikace v centralizo- vaném DNN při dosaženı́ mı́rného poklesu výkonu nebo v některých přı́padech i zvýšenı́ výkonu. V některých přı́padech jsou uvedny funkce, které ukazujı́ skutečné snı́ženı́ režie a zvýšenı́ výkonu.

Network slicing emerges as a key concept in 5G and beyond networks. In the network slicing concept, the networks operators should manage physical resources between slices. These physical resources, used and observed in different locations, are ideally allocated to each slice based on a resource consumption forecast. Resources from multiple locations are usually aggregated through the Edge in Cloud, where the allocation can be created, Edge-Cloud communication increases communication overhead. This work proposes a form of deep neural networks (DNN) distribution, which alleviates communication overhead in the network caused by Edge-Cloud resource information transfer while maintain forecasting capabilities of centralized DNN. The work also proposes a novel slice management objective function enabling (D)DNN create allocation for multiple slices at once. DNN distribution requires performance moderation for which three possible solutions are offered. All solutions are compared for trained DDNN and used for description of trade off between performance and communication overhead. The offered solutions enable to achieve only a fraction of communication needed in centralized DNN while reach slight performance de- cline or in some cases even performance gain. Trade off functions are offered in some cases to show real overhead reduction and performance gain.