基于SDN/NFV的星地融合網(wǎng)絡(luò)切片

賀曉赫 侯繢玲 梁旭文

【摘 ?要】

低軌衛(wèi)星通信與地面5G的融合是大勢所趨，網(wǎng)絡(luò)切片技術(shù)針對星地融合網(wǎng)絡(luò)中多種多樣的應(yīng)用服務(wù)可以端到端地分配不同的計(jì)算資源和帶寬，提高網(wǎng)絡(luò)靈活性和擴(kuò)展性，應(yīng)用前景廣闊。針對融合網(wǎng)絡(luò)切片面臨的的主要問題進(jìn)行探討，包括衛(wèi)星地面段虛擬化、虛擬網(wǎng)絡(luò)嵌入、業(yè)務(wù)功能鏈和融合網(wǎng)絡(luò)切片等，提出了一些解決方案，并對基于SDN/NFV的星地融合網(wǎng)絡(luò)切片發(fā)展趨勢和前景做出展望。

【關(guān)鍵詞】SDN;NFV;星地融合;網(wǎng)絡(luò)切片

0 ? 引言

隨著全球互聯(lián)網(wǎng)服務(wù)的延伸，以及第五代移動通信系統(tǒng)（5G）的逐步商業(yè)化應(yīng)用，低軌衛(wèi)星通信與地面5G的融合具有極為廣闊的應(yīng)用前景，也引發(fā)了學(xué)術(shù)界和工業(yè)界廣泛的研究興趣[1-7]。融合網(wǎng)絡(luò)存在各種各樣的應(yīng)用場景，包括增強(qiáng)型移動寬帶（eMBB， enhanced Mobile Broadband）、海量機(jī)器類通信（mMTC， massive Machine Type Communications）、超可靠超低延遲通信（URLLC， Ultra-Reliable Low-Latency Communication）等，不同的應(yīng)用場景對應(yīng)著不同的服務(wù)質(zhì)量（QoS， Quality of Service）需求，如何有效為各種不同的業(yè)務(wù)提供不同的服務(wù)是一個具有挑戰(zhàn)性課題。

5G網(wǎng)絡(luò)中的網(wǎng)絡(luò)切片技術(shù)允許共享同一基礎(chǔ)設(shè)施的運(yùn)營者為切片配置網(wǎng)絡(luò)以及定義具體功能，每一個網(wǎng)絡(luò)切片都是一個端到端的網(wǎng)絡(luò)服務(wù)，包含網(wǎng)絡(luò)通信所需要的所有元素，只是對于不同的應(yīng)用場景，有著不同的網(wǎng)絡(luò)帶寬和節(jié)點(diǎn)運(yùn)算處理能力，并且可以根據(jù)運(yùn)營者的策略靈活地動態(tài)創(chuàng)造以及撤銷切片。

將網(wǎng)絡(luò)切片技術(shù)應(yīng)用到星地融合網(wǎng)絡(luò)切片可以在通用設(shè)備上構(gòu)建出相互獨(dú)立的虛擬邏輯網(wǎng)絡(luò)，為多種不同的業(yè)務(wù)提供定制網(wǎng)絡(luò)功能，滿足用戶的服務(wù)質(zhì)量需求，提高網(wǎng)絡(luò)的資源擴(kuò)展性和組網(wǎng)的靈活性。對于時延要求比較高的應(yīng)用采用地面5G網(wǎng)絡(luò)，廣播的應(yīng)用信號可以通過衛(wèi)星來傳播，極大地提高網(wǎng)絡(luò)資源的利用率。近年來，學(xué)術(shù)界和工業(yè)界也對此進(jìn)行了廣泛的研究[8-13]。星地融合網(wǎng)絡(luò)切片由物理網(wǎng)絡(luò)和為不同應(yīng)用提供不同服務(wù)的虛擬網(wǎng)絡(luò)組成，如圖1所示[8]。

本文首先介紹星地融合和網(wǎng)絡(luò)切片的發(fā)展現(xiàn)狀，然后從實(shí)現(xiàn)的角度，分析融合網(wǎng)絡(luò)切片關(guān)鍵技術(shù)和面臨的挑戰(zhàn)，并探索可能的解決方案。最后，對星地融合網(wǎng)絡(luò)的發(fā)展趨勢作出展望。

1 ? 發(fā)展現(xiàn)狀

星地融合切片的廣闊應(yīng)用前景近年來吸引了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注，大量科研工作者對相關(guān)問題進(jìn)行了廣泛的研究，取得了不少進(jìn)展。

1.1 ?星地融合發(fā)展現(xiàn)狀

長久以來，衛(wèi)星網(wǎng)絡(luò)和地面網(wǎng)絡(luò)都是獨(dú)立發(fā)展的，技術(shù)上也是各不相同。衛(wèi)星網(wǎng)絡(luò)具有廣闊的覆蓋面，可為大規(guī)模的廣播通信提供巨大的支持，但是由于相對地面距離比較高，傳播時延相對較長，以及有限的帶寬和星上處理能力極大地限制了其使用價值。隨著星上處理能力的不斷提高，衛(wèi)星網(wǎng)絡(luò)處理能力得到大步提升，可與地面網(wǎng)絡(luò)相輔相承，為各種應(yīng)用提供服務(wù)。

對于星地融合方法，當(dāng)前有兩種不同的融合思路：第一種是將衛(wèi)星網(wǎng)絡(luò)吸收到5G框架之中，將其作為地面5G網(wǎng)絡(luò)的補(bǔ)充;第二種衛(wèi)星通信網(wǎng)絡(luò)獨(dú)立發(fā)展，只在一些特殊衛(wèi)星問題借鑒吸收地面移動技術(shù)。相對于第二種實(shí)現(xiàn)方式，第一種思路有更高的靈活性和易擴(kuò)展性。

基于SDN（Software Defined Network）和NFV（Network Functions Virtualization）技術(shù)的融合方法可以滿足網(wǎng)絡(luò)融合的高靈活性和易擴(kuò)展性，是當(dāng)前的研究主流方向。

3GPP（The 3rd Generation Partnership Project）、ETSI（European Telecommunications Standards Institute）和ITU（The International Telecommunication Union Telecommunication Standardization Sector）對基于SDN/NFV的星地融合進(jìn)行了大量前期的理論驗(yàn)證研究[14-18]。提出了多種不同的星地融合應(yīng)用場景、融合框架和接入方式等，為5G與衛(wèi)星的融合發(fā)展鋪平了道路。

5G-PPP（The 5G Public Private Partnership，5G公私聯(lián)盟協(xié)會）[19]，SaT5G[20]（Satellite and Terrestrial Network for 5G）聯(lián)盟，以及SATis5[21] 項(xiàng)目等主要從基礎(chǔ)設(shè)施的解決方案、架構(gòu)、技術(shù)及標(biāo)準(zhǔn)等進(jìn)行研究。建立了端到端的星地融合網(wǎng)絡(luò)概念驗(yàn)證平臺，加快了星地融合網(wǎng)絡(luò)的落地。

1.2 ?星地融合網(wǎng)絡(luò)切片發(fā)展現(xiàn)狀

網(wǎng)絡(luò)切片最早提出是5G移動通信網(wǎng)絡(luò)中的一個關(guān)鍵技術(shù)，是5G網(wǎng)絡(luò)架構(gòu)的重要特征之一。與衛(wèi)星通信相結(jié)合的融合網(wǎng)絡(luò)切片技術(shù)將切片技術(shù)運(yùn)用到星地融合網(wǎng)絡(luò)中，可以擴(kuò)展5G網(wǎng)絡(luò)切片的應(yīng)用范圍，提高整體網(wǎng)絡(luò)性能。

文獻(xiàn)[22]中提出了一種可擴(kuò)展的星地融合網(wǎng)絡(luò)切片框架“SATELLITE SLICE AS A SERVICE”，利用衛(wèi)星設(shè)施與地面5G構(gòu)建無縫隙的融合網(wǎng)絡(luò)?？蚣苤?，衛(wèi)星子網(wǎng)既可以作為獨(dú)立的網(wǎng)絡(luò)切片對應(yīng)用進(jìn)行服務(wù)，也可以與地面5G向結(jié)合共同提供更為全面的支持。

文獻(xiàn)[23]則針對融合網(wǎng)絡(luò)切片中的資源配置問題進(jìn)行研究。通過將資源消耗和服務(wù)需求等建模成優(yōu)化問題，在滿足特定網(wǎng)絡(luò)需求（如端到端時延）的情況下最小化網(wǎng)絡(luò)的資源消耗，可以提供靈活的服務(wù)鏈，滿足各種各樣的服務(wù)需求。

此外，也有很多項(xiàng)目研究基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的高效可擴(kuò)展的自動星地融合網(wǎng)絡(luò)切片算法，加速高維度網(wǎng)絡(luò)圖的流管理，自動管理動態(tài)的在線網(wǎng)絡(luò)流等。

星地融合網(wǎng)絡(luò)切片示意圖如圖1所示：

2 ? 星地融合網(wǎng)絡(luò)切片面臨的挑戰(zhàn)

星地融合網(wǎng)絡(luò)切片在帶來很多機(jī)遇的同時，也面臨著許多新的挑戰(zhàn)。融合網(wǎng)絡(luò)切片的實(shí)現(xiàn)主要基于衛(wèi)星地面段虛擬化、VNE（Virtual Network Embedding，虛擬網(wǎng)絡(luò)嵌入）、SFC（Service Function Chaining，業(yè)務(wù)功能鏈）等。

衛(wèi)星通信系統(tǒng)由空間段、地面段和用戶段組成。地面段包括衛(wèi)星地面關(guān)口站、地面衛(wèi)星控制中心、跟蹤、遙測和指令站。關(guān)口站是衛(wèi)星系統(tǒng)與地面公眾網(wǎng)的接口，地面用戶可通過關(guān)口站出入衛(wèi)星系統(tǒng)形成鏈路。地面段是衛(wèi)星網(wǎng)絡(luò)的管理段，完成衛(wèi)星網(wǎng)絡(luò)與地面網(wǎng)絡(luò)的連通，分配資源并計(jì)費(fèi)。

衛(wèi)星地面段的虛擬化主要是將衛(wèi)星地面段的設(shè)備如網(wǎng)關(guān)、衛(wèi)星控制中心和跟蹤、測控及指令站等的功能進(jìn)行虛擬化，將他們的功能在一般設(shè)備而非特定設(shè)備上實(shí)現(xiàn)，類似于虛擬機(jī)的概念。不同的設(shè)備上運(yùn)行相同的虛擬機(jī)，實(shí)現(xiàn)相同的功能。衛(wèi)星地面段虛擬化過程如圖2所示，衛(wèi)星信號首先通過接收機(jī)模數(shù)轉(zhuǎn)換，然后通過網(wǎng)絡(luò)協(xié)議傳到云服務(wù)器，將功能進(jìn)行虛擬化。

虛擬網(wǎng)絡(luò)嵌入要解決的是虛擬網(wǎng)絡(luò)函數(shù)到物理網(wǎng)絡(luò)之間的映射問題，如圖3所示。虛擬網(wǎng)絡(luò)節(jié)點(diǎn)需要的運(yùn)算能力和虛擬網(wǎng)絡(luò)鏈接需要的帶寬需求通過一定的函數(shù)映射到物理網(wǎng)絡(luò)設(shè)備，如何建立滿足虛擬網(wǎng)絡(luò)需求并且適合的映射是一個重要的研究問題。

業(yè)務(wù)功能鏈根據(jù)應(yīng)用需求，將不同的虛擬網(wǎng)絡(luò)函數(shù)塊進(jìn)行鏈接，構(gòu)建成一個完整的功能鏈路，如圖4所示。虛擬網(wǎng)絡(luò)中的流量和請求隨時間不斷波動，需要根據(jù)動態(tài)的虛擬網(wǎng)絡(luò)環(huán)境用算法去不斷優(yōu)化，平衡虛擬函數(shù)鏈接的穩(wěn)定性和有效性。并且，對于一些對于時延要求比較高的應(yīng)用，需要根據(jù)虛擬網(wǎng)絡(luò)環(huán)境的預(yù)測提前進(jìn)行資源的預(yù)分配。

衛(wèi)星地面段虛擬化、虛擬網(wǎng)絡(luò)嵌入業(yè)務(wù)功能鏈等共同為融合網(wǎng)絡(luò)切片奠定了基礎(chǔ)。

3 ? 發(fā)展趨勢及改進(jìn)方案

本節(jié)分別從虛擬網(wǎng)絡(luò)嵌入、業(yè)務(wù)功能鏈、融合網(wǎng)絡(luò)切片等幾個方面介紹當(dāng)前的發(fā)展趨勢和一些參考的改進(jìn)方法。

3.1 ?虛擬網(wǎng)絡(luò)嵌入

虛擬網(wǎng)絡(luò)嵌入主要研究如何有效地將物理資源分配給虛擬網(wǎng)絡(luò)，即將虛擬網(wǎng)絡(luò)嵌入到物理網(wǎng)絡(luò)中。主要分為兩個部分：一是虛擬節(jié)點(diǎn)嵌入，二是虛擬鏈路嵌入。嵌入性能的評價標(biāo)準(zhǔn)主要有虛擬網(wǎng)絡(luò)請求接受率，設(shè)備服務(wù)商收益和運(yùn)動時間等。傳統(tǒng)的嵌入算法主要是根據(jù)節(jié)點(diǎn)CPU資源來進(jìn)行嵌入虛擬節(jié)點(diǎn)，然而這卻忽視了節(jié)點(diǎn)周圍鏈路資源，從而影響了虛擬鏈路嵌入的成功率。當(dāng)執(zhí)行虛擬鏈路嵌入時，一般將物理鏈路權(quán)值設(shè)為定值，這會造成部分鏈路資源快速被耗盡，從而將開始拒絕虛擬網(wǎng)絡(luò)嵌入。

隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展，智能化的虛擬網(wǎng)絡(luò)嵌入方法方興未艾[24-28]。最新基于圖神經(jīng)網(wǎng)絡(luò)和深度強(qiáng)化學(xué)習(xí)的虛擬網(wǎng)絡(luò)嵌入算法取得了不錯的進(jìn)展[24]。但是，圖卷積網(wǎng)絡(luò)是一種全圖的學(xué)習(xí)方法，學(xué)習(xí)參數(shù)與圖的結(jié)構(gòu)有很大關(guān)系，只能適用于相似結(jié)構(gòu)的網(wǎng)路中，泛化性能比較差。并且，圖卷積網(wǎng)絡(luò)特征表示采用拉普拉斯矩陣進(jìn)行表示，不容易實(shí)現(xiàn)給不同的相鄰節(jié)點(diǎn)分配不同的學(xué)習(xí)權(quán)重?？梢赃\(yùn)用圖注意力網(wǎng)絡(luò)逐頂點(diǎn)對圖進(jìn)行運(yùn)算（node-wise），學(xué)習(xí)參數(shù)僅與頂點(diǎn)特征相關(guān)，與圖結(jié)構(gòu)沒有關(guān)系，可以提高學(xué)習(xí)參數(shù)對于結(jié)構(gòu)差異比較大的網(wǎng)絡(luò)的泛化性能，推理能力也得到提升，為動態(tài)的網(wǎng)絡(luò)處理提供強(qiáng)有力的支持。并且，圖注意力網(wǎng)絡(luò)引入圖注意力機(jī)制，通過注意力系數(shù)對相鄰節(jié)點(diǎn)進(jìn)行加權(quán)處理，可以對載有重要信息的節(jié)點(diǎn)分配更大的系數(shù)，提高信噪比。

3.2 ?業(yè)務(wù)功能鏈

業(yè)務(wù)功能鏈?zhǔn)且粋€有序的業(yè)務(wù)功能的集合，其基于分類和策略對網(wǎng)絡(luò)上的IP數(shù)據(jù)包、鏈路幀或者數(shù)據(jù)流進(jìn)行一系列的業(yè)務(wù)處理。虛擬網(wǎng)絡(luò)中，一個應(yīng)用需要多個虛擬節(jié)點(diǎn)的運(yùn)算和多個鏈路的帶寬，需要將他們進(jìn)行用合適的算法進(jìn)行鏈接，提供端到端的服務(wù)。并且，根據(jù)網(wǎng)絡(luò)中的動態(tài)流量以及以往的模型，對未來一段時間內(nèi)的資源進(jìn)行預(yù)分配，提高網(wǎng)絡(luò)性能和處理效率?，F(xiàn)有智能化方法[29-32]中還是基于圖卷積網(wǎng)絡(luò)對圖進(jìn)行建模，擁有跟虛擬網(wǎng)絡(luò)嵌入問題相同的問題。可以考慮運(yùn)用注意力機(jī)制，提高其對網(wǎng)絡(luò)動態(tài)的感知，優(yōu)化相鄰節(jié)點(diǎn)的權(quán)重系數(shù)。

3.3 ?融合網(wǎng)絡(luò)切片

融合網(wǎng)絡(luò)存在各種各樣的應(yīng)用場景，用戶接入網(wǎng)絡(luò)之前需要對切片類型進(jìn)行區(qū)分。處理融合網(wǎng)絡(luò)切片問題的現(xiàn)行方法中基本用一些基本的機(jī)器學(xué)習(xí)方法進(jìn)行少量分類，性能遠(yuǎn)遠(yuǎn)不夠。而且協(xié)議中，切片分類0～127為標(biāo)準(zhǔn)切片類別的取值范圍（當(dāng)前協(xié)議只是用了三個值），128～255屬于運(yùn)營商自定義范圍，總體類別遠(yuǎn)遠(yuǎn)大于現(xiàn)在的類別，需要更加細(xì)的分辨率。

此外，切片的管理更是一個復(fù)雜的工程問題，需要根據(jù)當(dāng)前的需求，進(jìn)行切片創(chuàng)建、銷毀和隔離。可以參考運(yùn)用深度強(qiáng)化學(xué)習(xí)[33-34]的方法進(jìn)行動態(tài)管理。

4 ? 結(jié)束語

綜上所述，星地融合的廣泛應(yīng)用是不可阻擋的發(fā)展潮流。在融合網(wǎng)絡(luò)中，切片技術(shù)可以為不同的應(yīng)用場景提供不同的網(wǎng)絡(luò)和計(jì)算資源，具有極大的靈活性和可擴(kuò)展性。但是，星地融合網(wǎng)絡(luò)切片的實(shí)現(xiàn)面臨著很多新的挑戰(zhàn)，衛(wèi)星地面段虛擬化、虛擬網(wǎng)絡(luò)嵌入、業(yè)務(wù)功能鏈以及融合網(wǎng)絡(luò)切片的管理等都還有很多問題需要學(xué)術(shù)界和工業(yè)界共同努力進(jìn)行深入的研究。

參考文獻(xiàn)：

[1] Ordonez-Lucena J， Ameigeiras P， Lopez D， et al. Network slicing for 5G with SDN/NFV： Concepts， architectures， and challenges[J]. IEEECommunications Magazine， 2017，55（5）： 80-87.

[2] WANG P， ZHANG J， ZHANG X， et al. Convergence of Satellite and Terrestrial Networks： A Comprehensive Survey[J]. IEEE Access， 2019（8）： 5550-5588.

[3] YOU X H， WANG C X， HUANG J， et al. Towards 6G wireless communication networks： Vision， enabling technologies， and new paradigm shifts[J]. Sci China Inf Sci， for review， 2020.

[4] Guidotti A， Vanelli-Coralli A， Conti M， et al. Architectures and key technical challenges for 5G systems incorporating satellites[J]. IEEE Transactions on Vehicular Technology， 2019，68（3）： 2624-2639.

[5] Kodheli O， Guidotti A， Vanelli-Coralli A. Integration of Satellites in 5G through LEO Constellations[C]//GLOBECOM 2017-2017 IEEE Global Communications Conference. IEEE， 2017： 1-6.

[6] Khalili H， Khodashenas P S， Fernandez C， et al. Benefits and challenges of software defined satellite-5G communication[C]//2019 15th Annual Conference on Wireless On-demand Network Systems and Services （WONS）. IEEE， 2019： 1-4.

[7] Boero L， Bruschi R， Davoli F， et al. Satellite networking integration in the 5G ecosystem： Research trends and open challenges[J]. Ieee Network， 2018，32（5）： 9-15.

[8] Ordonez-Lucena J， Ameigeiras P， Lopez D， et al. Network slicing for 5G with SDN/NFV： Concepts， architectures， and challenges[J]. IEEE Communications Magazine， 2017，55（5）： 80-87.

[9] Ahmed T， Alleg A， Ferrus R， et al. On-demand network slicing using sdn/nfv-enabled satellite ground segment systems[C]//2018 4th IEEE Conference on Network Softwarization and Workshops （NetSoft）. IEEE， 2018： 242-246.

[10] C S Z， W J Y， H H， et al. Space Edge Cloud Enabling Network Slicing for 5G Satellite Network[C]//2019 15th International Wireless Communications & Mobile Computing Conference （IWCMC）. IEEE， 2019： 787-792.

[11] Bisio I， Lavagetto F， Verardo G， et al. Network Slicing Optimization for Integrated 5G-Satellite Networks[C]//2019 IEEE Global Communications Conference （GLOBECOM）. IEEE， 2019： 1-6.

[12] Drif Y， Chaput E， Lavinal E， et al. An Extensible Network Slicing Framework for Satellite Integration into 5G[J]. arXiv preprint arXiv： 2002.05037， 2020.

[13] ? SHEN X X， GAO J， WU W， et al. AI-assisted network-slicing based next-generation wireless networks[J]. IEEE Open Journal of Vehicular Technology， 2020（1）： 45-66.

[14] ?3GPP. 3GPP TR38.821： Solutions for NR to support Non-Terrestrial Networks （NTN）[S]. 2020.

[15] ? 3GPP. 3GPP TR22.822： Study on using Satellite Access in 5G[S]. 2018.

[16] ? 3GPP. 3GPP TR23.737： Study on architecture aspects for using satellite access in 5G[S]. 2019.

[17] ?3GPP. 3GPP TR28.808， Study on management and orchestration aspects of integrated satellite components in a 5G network[S]. 2020.

[18] ? ITU-R. ITU-R M.2460.0： Key elements for the integrated systems into Next Generation Access Technologies[R]. ?2020.

[19] 5G-PPP. The 5G Infrastructure Public Private Partnership[EB/OL]. [2020-08-07]. https：//5g-ppp.eu/.

[20] ?Sat5G. Satellite and Terrestrial Network for 5G[EB/OL]. [2020-08-07]. https：//www.sat5g-project.eu/public-deliverables/.

[21] ? SATis5. Demonstrator for Satellite-Terrestrial Integration in the 5G Context[EB/OL]. [2020-08-07]. https：//satis5.eurescom.eu/.

[22] ? Drif Y， Chaput E， Lavinal E， et al. An Extensible Network Slicing Framework for Satellite Integration into 5G[J]. arXiv preprint arXiv： 2002.05037， 2020.

[23] ? Ahmed T， Alleg A， Ferrus R， et al. On-demand network slicing using sdn/nfv-enabled satellite ground segment systems[C]//2018 4th IEEE Conference on Network Softwarization and Workshops （NetSoft）. IEEE， 2018： 242-246.

[24] ? Yan Z， Ge J， Wu Y， et al. Automatic Virtual Network Embedding： A Deep Reinforcement Learning Approach with Graph Convolutional Networks[J]. IEEE Journal on Selected Areas in Communications， 2020，38（6）： 1040-1057.

[25] ? ?Dolati M， Hassanpour S B， Ghaderi M， et al. DeepViNE： Virtual network embedding with deep reinforcement learning[C]//IEEE INFOCOM 2019-IEEE Conference on Computer Communications Workshops （INFOCOM WKSHPS）. IEEE， 2019： 879-885.

[26] ?Quang P T A， Hadjadj-Aoul Y， Outtagarts A. A deep reinforcement learning approach for VNF Forwarding Graph Embedding[J]. IEEE Transactions on Network and Service Management， 2019，16（4）： 1318-1331.

[27] ?Yao H， Chen X， Li M， et al. A novel reinforcement learning algorithm for virtual network embedding[J]. Neurocomputing， 2018（284）： 1-9.

[28] ? Blenk A， Kalmbach P， Zerwas J， et al. NeuroViNE： A neural preprocessor for your virtual network embedding algorithm[C]//IEEE INFOCOM 2018-IEEE Conference on Computer Communications. IEEE， 2018： 405-413.

[29] ? Mijumbi R， Hasija S， Davy S， et al. Topology-aware prediction of virtual network function resource requirements[J]. IEEE Transactions on Network and Service Management， 2017，14（1）： 106-120.

[30] ?Jalodia N， Henna S， Davy A. Deep Reinforcement Learning for Topology-Aware VNF Resource Prediction in NFV Environments[C]//2019 IEEE Conference on Network Function Virtualization and Software Defined Networks （NFV-SDN）. IEEE， 2019： 1-5.

[31] ? Kim H G， Jeong S Y， Lee D Y， et al. A Deep Learning Approach to VNF Resource Prediction using Correlation between VNFs[C]//2019 IEEE Conference on Network Softwarization （NetSoft）. IEEE， 2019： 444-449.

[32] ?Wang H， Wu Y， Min G， et al. Data-driven dynamic resource scheduling for network slicing： A deep reinforcement learning approach[J]. Information Sciences， 2019（498）： 106-116.

[33] ? Li R， Zhao Z， Sun Q， et al. Deep reinforcement learning for resource management in network slicing[J]. IEEE Access， 2018（6）： 74429-74441.

[34] ? Thantharate A， Paropkari R， Walunj V， et al. Deepslice： A deep learning approach towards an efficient and reliable network slicing in 5G networks[C]//2019 IEEE 10th Annual Ubiquitous Computing， Electronics & Mobile Communication Conference （UEMCON）. IEEE， 2019： 0762-0767.