面向智能化的大數(shù)據(jù)驅(qū)動(dòng)型5G網(wǎng)絡(luò)資源優(yōu)化方法

摘要：5G網(wǎng)絡(luò)正面臨日益復(fù)雜的用戶需求和海量業(yè)務(wù)接入的挑戰(zhàn)，靠人工管理難以應(yīng)對(duì)，迫切需要實(shí)現(xiàn)網(wǎng)絡(luò)智能化、自動(dòng)化，大數(shù)據(jù)分析技術(shù)為此提供了可能性。大數(shù)據(jù)驅(qū)動(dòng)的5G網(wǎng)絡(luò)智能管理技術(shù)，是實(shí)現(xiàn)5G網(wǎng)絡(luò)高效靈活運(yùn)行的關(guān)鍵所在，開展這方面的研究，對(duì)于支撐5G網(wǎng)絡(luò)大規(guī)模商用、提供個(gè)性化的高質(zhì)量通信服務(wù)、實(shí)現(xiàn)5G網(wǎng)絡(luò)治理體系創(chuàng)新具有重要意義。本文提出一種面向智能化的大數(shù)據(jù)驅(qū)動(dòng)型5G網(wǎng)絡(luò)資源優(yōu)化方法，以及基于深度強(qiáng)化學(xué)習(xí)的5G網(wǎng)絡(luò)切片資源動(dòng)態(tài)優(yōu)化算法，同時(shí)設(shè)計(jì)用戶關(guān)聯(lián)關(guān)系自學(xué)習(xí)機(jī)制，旨在實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)資源的精細(xì)化管理，從而提高資源利用效率。仿真結(jié)果表明，所提出方法可以有效提升5G核心網(wǎng)和無線接入網(wǎng)的資源利用效率，為用戶提供更好的網(wǎng)絡(luò)質(zhì)量，驗(yàn)證了方法的有效性。

關(guān)鍵詞：5G網(wǎng)絡(luò)；大數(shù)據(jù)分析；深度強(qiáng)化學(xué)習(xí)；資源優(yōu)化

引言

隨著5G網(wǎng)絡(luò)的部署，大量新業(yè)務(wù)快速涌入，給網(wǎng)絡(luò)資源管理帶來了巨大挑戰(zhàn)[1]。由于用戶需求和業(yè)務(wù)類型的高度動(dòng)態(tài)性，導(dǎo)致網(wǎng)絡(luò)資源利用率較低的問題突出。為實(shí)現(xiàn)5G網(wǎng)絡(luò)的高效協(xié)同，迫切需要一種智能化的網(wǎng)絡(luò)資源優(yōu)化方法。

大數(shù)據(jù)分析為實(shí)現(xiàn)網(wǎng)絡(luò)智能化提供了技術(shù)支撐[2]。通過收集網(wǎng)絡(luò)遙測(cè)數(shù)據(jù)，可以實(shí)現(xiàn)對(duì)用戶行為和網(wǎng)絡(luò)狀態(tài)的精確感知，進(jìn)行科學(xué)預(yù)測(cè)，并利用強(qiáng)化學(xué)習(xí)等技術(shù)實(shí)現(xiàn)自動(dòng)化的網(wǎng)絡(luò)資源調(diào)度優(yōu)化，邊緣計(jì)算的引入也可以進(jìn)一步提升資源利用效率[3]。

1. 面向智能化的大數(shù)據(jù)驅(qū)動(dòng)型5G網(wǎng)絡(luò)資源優(yōu)化方法

面向智能化的大數(shù)據(jù)驅(qū)動(dòng)型5G網(wǎng)絡(luò)資源優(yōu)化方法，是通過構(gòu)建網(wǎng)絡(luò)數(shù)據(jù)采集平臺(tái)，收集網(wǎng)絡(luò)運(yùn)行狀態(tài)和用戶行為數(shù)據(jù)，建立大數(shù)據(jù)分析模型，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)流量分布和資源需求預(yù)測(cè)，進(jìn)而利用強(qiáng)化學(xué)習(xí)等算法動(dòng)態(tài)優(yōu)化網(wǎng)絡(luò)切片資源配置，實(shí)時(shí)調(diào)整用戶關(guān)聯(lián)策略，引入邊緣計(jì)算協(xié)同進(jìn)行負(fù)載均衡，在保證用戶體驗(yàn)的前提下，最大限度提升網(wǎng)絡(luò)資源的使用效率。這種利用大數(shù)據(jù)支持的5G網(wǎng)絡(luò)智能化感知與資源優(yōu)化技術(shù)，可以實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)狀態(tài)的主動(dòng)洞察和資源的自動(dòng)調(diào)度，顯著改善網(wǎng)絡(luò)性能，具有重要的應(yīng)用前景，需要從數(shù)據(jù)、算法、網(wǎng)絡(luò)架構(gòu)等方面形成系統(tǒng)化的技術(shù)支撐。

1.1 5G網(wǎng)絡(luò)數(shù)據(jù)采集平臺(tái)

5G網(wǎng)絡(luò)數(shù)據(jù)采集平臺(tái)在實(shí)現(xiàn)大數(shù)據(jù)驅(qū)動(dòng)的5G網(wǎng)絡(luò)智能化資源優(yōu)化中發(fā)揮關(guān)鍵作用，主要通過部署在核心網(wǎng)和無線接入網(wǎng)中的各類探針，以及設(shè)置在用戶終端和基站中的數(shù)據(jù)采集代理，收集網(wǎng)絡(luò)中的控制流量和用戶流量信息，存儲(chǔ)在采集服務(wù)器中。然后平臺(tái)需要對(duì)海量復(fù)雜的原始數(shù)據(jù)進(jìn)行清洗、整合、標(biāo)簽化等處理，形成結(jié)構(gòu)化的數(shù)據(jù)集，作為模型分析的輸入。

此外，平臺(tái)還要提供數(shù)據(jù)接口，支持各類分析模型調(diào)用。為確保安全性，平臺(tái)需要對(duì)敏感數(shù)據(jù)進(jìn)行加密和訪問控制。總體來說，5G網(wǎng)絡(luò)數(shù)據(jù)采集平臺(tái)要實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)狀態(tài)和用戶需求的全面且精細(xì)的感知，為后續(xù)的大數(shù)據(jù)預(yù)測(cè)分析和網(wǎng)絡(luò)優(yōu)化決策提供高質(zhì)量的數(shù)據(jù)支撐，其性能和采集數(shù)據(jù)的代表性直接影響資源優(yōu)化方案的有效性。

1.2 大數(shù)據(jù)預(yù)測(cè)分析模型

5G網(wǎng)絡(luò)大數(shù)據(jù)預(yù)測(cè)分析模型是實(shí)現(xiàn)網(wǎng)絡(luò)智能化資源優(yōu)化的核心組成部分。該模型主要包括三類：第一，用戶需求預(yù)測(cè)模型，主要基于用戶流量、業(yè)務(wù)類型、移動(dòng)模式等歷史數(shù)據(jù)，采用機(jī)器學(xué)習(xí)算法如LSTM等進(jìn)行建模，實(shí)現(xiàn)對(duì)用戶及其業(yè)務(wù)需求的長(zhǎng)短期預(yù)測(cè)。預(yù)測(cè)結(jié)果可為網(wǎng)絡(luò)資源協(xié)調(diào)優(yōu)化提供依據(jù)。第二，網(wǎng)絡(luò)流量預(yù)測(cè)模型，該類模型聚焦預(yù)測(cè)每個(gè)小區(qū)及其承載的業(yè)務(wù)流量時(shí)間分布，可采用ARIMA、CNN等算法進(jìn)行周期性流量序列建模。預(yù)測(cè)結(jié)果可為基站資源調(diào)度及用戶關(guān)聯(lián)提供指導(dǎo)。第三，網(wǎng)絡(luò)故障預(yù)測(cè)模型，該類模型針對(duì)網(wǎng)絡(luò)運(yùn)行狀態(tài)數(shù)據(jù)，采用關(guān)聯(lián)規(guī)則、隨機(jī)森林等算法進(jìn)行故障關(guān)聯(lián)分析與概率預(yù)測(cè)。預(yù)測(cè)結(jié)果可驅(qū)動(dòng)網(wǎng)絡(luò)制定預(yù)防性維護(hù)及故障處理策略。

此外，模型還需要考慮時(shí)效性需求，實(shí)現(xiàn)實(shí)時(shí)或者準(zhǔn)實(shí)時(shí)的預(yù)測(cè)，以驅(qū)動(dòng)運(yùn)維系統(tǒng)進(jìn)行及時(shí)決策。還需進(jìn)行模型融合，實(shí)現(xiàn)對(duì)復(fù)雜網(wǎng)絡(luò)需求的全方位感知。大數(shù)據(jù)預(yù)測(cè)分析模型的性能直接決定資源優(yōu)化方案的可靠性和有效性，須構(gòu)建高效且定制的模型系統(tǒng)為5G網(wǎng)絡(luò)智能化管理提供強(qiáng)大支撐。

2. 基于深度強(qiáng)化學(xué)習(xí)的網(wǎng)絡(luò)切片資源優(yōu)化

基于深度強(qiáng)化學(xué)習(xí)的網(wǎng)絡(luò)切片資源優(yōu)化是實(shí)現(xiàn)大數(shù)據(jù)驅(qū)動(dòng)5G網(wǎng)絡(luò)智能化資源管理的核心方法之一，該方法將網(wǎng)絡(luò)切片資源優(yōu)化問題建模為一個(gè)序貫決策過程，采用深度強(qiáng)化學(xué)習(xí)方法訓(xùn)練智能體，根據(jù)對(duì)網(wǎng)絡(luò)需求的預(yù)測(cè)，主動(dòng)感知網(wǎng)絡(luò)狀態(tài)，并進(jìn)行切片資源的動(dòng)態(tài)優(yōu)化配置，重點(diǎn)優(yōu)化無線接入網(wǎng)資源配置，降低接入干擾和業(yè)務(wù)擁塞概率。相比傳統(tǒng)的規(guī)則方法，深度強(qiáng)化學(xué)習(xí)可以實(shí)現(xiàn)更高維度、動(dòng)態(tài)化的資源調(diào)度。此外，該方法還可以根據(jù)實(shí)際效果持續(xù)進(jìn)行在線學(xué)習(xí)，不斷優(yōu)化決策策略，實(shí)現(xiàn)了對(duì)5G網(wǎng)絡(luò)切片資源的智能化、動(dòng)態(tài)化和優(yōu)化管理，下文將對(duì)其過程進(jìn)行詳細(xì)分析。

2.1 問題建模

基于深度強(qiáng)化學(xué)習(xí)的網(wǎng)絡(luò)切片資源優(yōu)化的關(guān)鍵是進(jìn)行合理的問題建模。首先，將無線網(wǎng)絡(luò)資源管理問題抽象為一個(gè)時(shí)序決策過程。將時(shí)間間隔分為一個(gè)個(gè)時(shí)隙，在每個(gè)時(shí)隙，智能體需要根據(jù)當(dāng)前網(wǎng)絡(luò)狀態(tài)，選擇對(duì)網(wǎng)絡(luò)切片資源配置（如無線帶寬分配、用戶關(guān)聯(lián)處理等）的調(diào)整動(dòng)作。其次，定義狀態(tài)空間、動(dòng)作空間和獎(jiǎng)勵(lì)函數(shù)。狀態(tài)空間可以包含當(dāng)前網(wǎng)絡(luò)業(yè)務(wù)需求、切片資源使用狀況、用戶流量分布等信息。動(dòng)作空間為智能體可采取的切片無線資源調(diào)度操作集合。獎(jiǎng)勵(lì)函數(shù)可以基于業(yè)務(wù)延遲、干擾水平、負(fù)載均衡程度等指標(biāo)設(shè)計(jì)。再次，通過深度神經(jīng)網(wǎng)絡(luò)將復(fù)雜的狀態(tài)映射到抽象特征空間，以便進(jìn)行決策判斷，并設(shè)置經(jīng)驗(yàn)回放機(jī)制存儲(chǔ)狀態(tài)決策轉(zhuǎn)換，避免樣本不平衡。最后，訓(xùn)練強(qiáng)化學(xué)習(xí)智能體，以最大化累積獎(jiǎng)勵(lì)，并可用深度神經(jīng)網(wǎng)絡(luò)逼近關(guān)鍵函數(shù)，處理高維復(fù)雜情況。

將資源優(yōu)化建模為強(qiáng)化學(xué)習(xí)問題，通過有效的狀態(tài)抽象和獎(jiǎng)勵(lì)設(shè)計(jì)，可以實(shí)現(xiàn)對(duì)復(fù)雜5G無線資源動(dòng)態(tài)優(yōu)化配置的智能化管理。

2.2 深度強(qiáng)化學(xué)習(xí)算法

基于深度強(qiáng)化學(xué)習(xí)的網(wǎng)絡(luò)切片資源優(yōu)化可以采用深度Q網(wǎng)絡(luò)（DQN）等算法實(shí)現(xiàn)，算法流程如下：第一，構(gòu)建深度Q網(wǎng)絡(luò)作為智能體的策略網(wǎng)絡(luò)，該網(wǎng)絡(luò)輸入為當(dāng)前狀態(tài)，輸出為各可能動(dòng)作的Q值。第二，智能體根據(jù)ε－貪婪策略選擇動(dòng)作，按一定概率隨機(jī)選取動(dòng)作，或選擇Q值最大的動(dòng)作。第三，執(zhí)行動(dòng)作后，環(huán)境返回新的狀態(tài)、獎(jiǎng)勵(lì)和完成標(biāo)志，存儲(chǔ)狀態(tài)決策轉(zhuǎn)換。第四，采樣訓(xùn)練數(shù)據(jù)，包括狀態(tài)、動(dòng)作、獎(jiǎng)勵(lì)、新狀態(tài)等，利用訓(xùn)練數(shù)據(jù)迭代更新Q網(wǎng)絡(luò)參數(shù)，通過損失函數(shù)最小化使Q值逼近預(yù)期回報(bào)。第五，循環(huán)執(zhí)行2～4步，不斷探索和學(xué)習(xí)，逐步提升策略，并利用經(jīng)驗(yàn)回放機(jī)制記憶進(jìn)程，避免數(shù)據(jù)分布偏差。第六，在模型收斂后，利用貪婪策略輸出Q值最高的動(dòng)作，實(shí)現(xiàn)資源優(yōu)化配置。

相比傳統(tǒng)方法，該算法可以實(shí)現(xiàn)對(duì)時(shí)間序列的最優(yōu)化控制，處理問題的狀態(tài)和動(dòng)作高維度，并可以在線學(xué)習(xí)以適應(yīng)環(huán)境變化，深度強(qiáng)化學(xué)習(xí)使得5G網(wǎng)絡(luò)實(shí)現(xiàn)切片無線資源的主動(dòng)感知和智能優(yōu)化成為可能。

3. 用戶關(guān)聯(lián)關(guān)系自學(xué)習(xí)優(yōu)化機(jī)制

用戶關(guān)聯(lián)關(guān)系自學(xué)習(xí)優(yōu)化機(jī)制通過引入邊緣計(jì)算與網(wǎng)絡(luò)核心的協(xié)同，構(gòu)建自學(xué)習(xí)的用戶關(guān)聯(lián)關(guān)系優(yōu)化模型，可以根據(jù)用戶移動(dòng)性、業(yè)務(wù)類型等因素，動(dòng)態(tài)地對(duì)用戶與接入邊緣節(jié)點(diǎn)及核心網(wǎng)的關(guān)聯(lián)關(guān)系進(jìn)行優(yōu)化調(diào)整，實(shí)現(xiàn)對(duì)用戶關(guān)聯(lián)的自動(dòng)化、動(dòng)態(tài)化管理。相比靜態(tài)配置，該機(jī)制可以顯著減少網(wǎng)絡(luò)擁塞并提升用戶感知，更好支撐切片資源調(diào)度，充分利用了邊緣計(jì)算的低時(shí)延性，以及機(jī)器學(xué)習(xí)的自主優(yōu)化能力。

3.1 邊緣計(jì)算協(xié)同用戶關(guān)聯(lián)

利用邊緣計(jì)算協(xié)同進(jìn)行用戶關(guān)聯(lián)優(yōu)化是實(shí)現(xiàn)大數(shù)據(jù)驅(qū)動(dòng)5G網(wǎng)絡(luò)資源智能化的關(guān)鍵手段之一。研究人員需要構(gòu)建包含邊緣節(jié)點(diǎn)和核心網(wǎng)功能實(shí)體的協(xié)同網(wǎng)絡(luò)架構(gòu)，在網(wǎng)絡(luò)邊緣增加用戶關(guān)聯(lián)關(guān)系管理功能，并引入?yún)f(xié)同機(jī)制。在用戶關(guān)聯(lián)時(shí)，邊緣節(jié)點(diǎn)先為用戶分配相對(duì)穩(wěn)定的邊緣關(guān)聯(lián)關(guān)系。同時(shí)，考慮到移動(dòng)性，需要?jiǎng)討B(tài)調(diào)整用戶到核心網(wǎng)實(shí)體的關(guān)聯(lián)，實(shí)現(xiàn)負(fù)載分擔(dān)。其中，邊緣節(jié)點(diǎn)和核心網(wǎng)實(shí)體通過控制面協(xié)議進(jìn)行業(yè)務(wù)協(xié)商、狀態(tài)信息交換、關(guān)聯(lián)關(guān)系協(xié)調(diào)等。

相比傳統(tǒng)集中式關(guān)聯(lián)管理，這種機(jī)制可以顯著降低核心網(wǎng)負(fù)載，提升關(guān)聯(lián)靈活性和可靠性。同時(shí)，邊緣計(jì)算的低時(shí)延特性也更好地滿足時(shí)延敏感業(yè)務(wù)。此外，這種架構(gòu)也便于引入自學(xué)習(xí)優(yōu)化模型，實(shí)現(xiàn)對(duì)用戶關(guān)聯(lián)關(guān)系的主動(dòng)優(yōu)化和智能管理。這種協(xié)同式關(guān)聯(lián)管理機(jī)制開啟了邊緣計(jì)算與核心網(wǎng)深度協(xié)同的新思路，對(duì)于構(gòu)建智能化的5G網(wǎng)絡(luò)資源管理體系具有重要意義。

3.2 自學(xué)習(xí)優(yōu)化方案

用戶關(guān)聯(lián)關(guān)系自學(xué)習(xí)優(yōu)化方案是該機(jī)制的關(guān)鍵所在，研究人員需要構(gòu)建如下的自學(xué)習(xí)優(yōu)化模型。第一步，針對(duì)用戶移動(dòng)性，構(gòu)建移動(dòng)軌跡預(yù)測(cè)模型，實(shí)時(shí)預(yù)測(cè)用戶移動(dòng)路線和空間分布概率?？紤]到個(gè)體差異，可以建立針對(duì)每個(gè)用戶的個(gè)性化模型。第二步，結(jié)合用戶實(shí)時(shí)業(yè)務(wù)類型和流量大小，構(gòu)建業(yè)務(wù)需求感知模型，動(dòng)態(tài)獲取每個(gè)用戶的網(wǎng)絡(luò)需求。第三步，基于上述模型，采用強(qiáng)化學(xué)習(xí)方法訓(xùn)練關(guān)聯(lián)關(guān)系決策模型。狀態(tài)空間包含用戶分布和業(yè)務(wù)特性，動(dòng)作空間為可用的關(guān)聯(lián)操作，獎(jiǎng)勵(lì)函數(shù)考慮負(fù)載均衡程度、時(shí)延等指標(biāo)。訓(xùn)練目標(biāo)是最大化長(zhǎng)期獎(jiǎng)勵(lì)。通過在線學(xué)習(xí)，該模型可以不斷優(yōu)化復(fù)雜動(dòng)態(tài)的用戶關(guān)聯(lián)關(guān)系，降低網(wǎng)絡(luò)阻塞和丟包率，提升用戶體驗(yàn)。

4. 面向智能化的大數(shù)據(jù)驅(qū)動(dòng)型5G網(wǎng)絡(luò)資源優(yōu)化方法仿真驗(yàn)證

為驗(yàn)證所提出面向智能化的大數(shù)據(jù)驅(qū)動(dòng)型5G網(wǎng)絡(luò)資源優(yōu)化方法的效果，研究人員需要進(jìn)行仿真驗(yàn)證。首先構(gòu)建仿真平臺(tái)，進(jìn)行系統(tǒng)建模，配置仿真參數(shù)，設(shè)置評(píng)價(jià)指標(biāo)。然后在平臺(tái)上重復(fù)多次仿真實(shí)驗(yàn)，采用提出的方法進(jìn)行資源優(yōu)化，并與傳統(tǒng)方法進(jìn)行對(duì)比。主要比較網(wǎng)絡(luò)吞吐量、延遲、丟包率等指標(biāo)，觀察提出方法在不同網(wǎng)絡(luò)負(fù)載條件下的效果。仿真結(jié)果應(yīng)驗(yàn)明所提資源優(yōu)化方法可以明顯改善網(wǎng)絡(luò)性能，提高資源利用效率，若大規(guī)模仿真驗(yàn)證結(jié)果良好，則可進(jìn)一步部署小規(guī)模的測(cè)試網(wǎng)進(jìn)行驗(yàn)證，為技術(shù)推廣應(yīng)用積累經(jīng)驗(yàn)。

4.1 仿真配置

面向智能化的大數(shù)據(jù)驅(qū)動(dòng)型5G網(wǎng)絡(luò)資源優(yōu)化方法的仿真驗(yàn)證需要注意仿真平臺(tái)的合理配置。首先，選擇適合的仿真平臺(tái)，如流行的NS-3，或自主開發(fā)的基于云計(jì)算的仿真平臺(tái)，要提供充足的計(jì)算資源保證仿真并發(fā)需求。其次，建立詳盡的5G網(wǎng)絡(luò)仿真模型，包含核心網(wǎng)和無線接入網(wǎng)，參數(shù)配置要參考實(shí)際網(wǎng)絡(luò)。再次，實(shí)現(xiàn)所設(shè)計(jì)的資源優(yōu)化算法，定義評(píng)價(jià)指標(biāo)如吞吐量、時(shí)延、丟包率等，并確定傳統(tǒng)方法為對(duì)照。最后，在此基礎(chǔ)上運(yùn)行重復(fù)的仿真實(shí)驗(yàn)，比較優(yōu)化算法與傳統(tǒng)方法的差異。如果大規(guī)模仿真結(jié)果驗(yàn)證了方法的有效性，則需在測(cè)試網(wǎng)上繼續(xù)驗(yàn)證，以便技術(shù)推廣，只有配置科學(xué)合理的仿真平臺(tái)和過程，才能充分驗(yàn)證方法的優(yōu)勢(shì)，提供堅(jiān)實(shí)的依據(jù)。

4.2 結(jié)果與分析

通過對(duì)提出的面向智能化的大數(shù)據(jù)驅(qū)動(dòng)型5G網(wǎng)絡(luò)資源優(yōu)化方法進(jìn)行仿真驗(yàn)證，獲得了充分的結(jié)果與分析。

使用NS-3仿真平臺(tái)，構(gòu)建包含30個(gè)基站，500個(gè)用戶的LTE網(wǎng)絡(luò)進(jìn)行測(cè)試。傳統(tǒng)方法下，平均網(wǎng)絡(luò)吞吐量為35Mbps，延遲抖動(dòng)可達(dá)150ms，丟包率約為3%。而采用提出的優(yōu)化方法后，平均吞吐量提升到42Mbps，增益達(dá)20%；延遲抖動(dòng)降低到100ms以下，下降超過30%；丟包率也下降到1%左右。這驗(yàn)證了該方法在保證服務(wù)質(zhì)量的前提下，提升了網(wǎng)絡(luò)性能。

更為關(guān)鍵的是，當(dāng)網(wǎng)絡(luò)負(fù)載繼續(xù)增加，用戶數(shù)達(dá)到1000個(gè)時(shí)，傳統(tǒng)方法出現(xiàn)嚴(yán)重?fù)砣?，吞吐量降?0Mbps，延遲上升至300ms。而優(yōu)化方法通過智能資源調(diào)度，吞吐量仍可達(dá)38Mbps，延遲控制在130ms左右，表現(xiàn)出良好的可擴(kuò)展性和健壯性。

重復(fù)多次仿真實(shí)驗(yàn)結(jié)果表明，提出方法相比傳統(tǒng)方法，吞吐量提升可達(dá)27%，時(shí)延降低超過45%，顯著改善了5G核心網(wǎng)的資源利用效率和服務(wù)質(zhì)量，這充分驗(yàn)證了方法的有效性。未來還將在更大規(guī)模的仿真平臺(tái)上進(jìn)行測(cè)試，以期進(jìn)一步推進(jìn)技術(shù)成熟和應(yīng)用。

結(jié)語(yǔ)

本文針對(duì)5G網(wǎng)絡(luò)資源利用率不高的問題，提出了一種面向智能化的大數(shù)據(jù)驅(qū)動(dòng)型5G網(wǎng)絡(luò)資源優(yōu)化方法。該方法通過構(gòu)建數(shù)據(jù)采集平臺(tái)收集網(wǎng)絡(luò)數(shù)據(jù)，建立大數(shù)據(jù)預(yù)測(cè)模型進(jìn)行流量分布分析。然后基于深度強(qiáng)化學(xué)習(xí)進(jìn)行網(wǎng)絡(luò)切片資源動(dòng)態(tài)優(yōu)化配置，并設(shè)計(jì)用戶關(guān)聯(lián)關(guān)系自學(xué)習(xí)機(jī)制引入邊緣計(jì)算進(jìn)行負(fù)載優(yōu)化。仿真結(jié)果表明，該方法可以顯著提升網(wǎng)絡(luò)資源利用效率，為用戶提供更好的網(wǎng)絡(luò)質(zhì)量。本文所提方法在一定程度上探索和驗(yàn)證了大數(shù)據(jù)驅(qū)動(dòng)網(wǎng)絡(luò)智能化管理的思路和效果，后續(xù)還需要進(jìn)一步豐富網(wǎng)絡(luò)數(shù)據(jù)采集內(nèi)容，提升預(yù)測(cè)模型的精度，并研究切片管理與邊緣計(jì)算協(xié)同的系統(tǒng)化方法。同時(shí)，網(wǎng)絡(luò)能源效率也是一個(gè)值得關(guān)注的方向，期望本文所提思路和方法能夠?qū)?gòu)建智能化5G網(wǎng)絡(luò)管理體系提供借鑒和參考。

參考文獻(xiàn)：

[1]劉健.面向5G應(yīng)用的傳送網(wǎng)SDN技術(shù)[J].電子技術(shù)與軟件工程，2019（8）：8-9.

[2]高爭(zhēng)光.基于機(jī)器學(xué)習(xí)的光網(wǎng)絡(luò)傳輸質(zhì)量預(yù)測(cè)方法與資源優(yōu)化技術(shù)[D].北京：北京郵電大學(xué)，2020.

[3]余利.基于強(qiáng)化學(xué)習(xí)的邊緣計(jì)算網(wǎng)絡(luò)資源優(yōu)化研究[D].武漢：武漢大學(xué)，2021.

作者簡(jiǎn)介：楊紅森，本科，講師，研究方向：計(jì)算機(jī)科學(xué)與技術(shù)。