通过基于机器学习的网络切片实现有效的医疗保健流量管理

《PROCEEDINGS OF THE NATIONAL ACADEMY OF SCIENCES INDIA SECTION A-PHYSICAL SCIENCES》：Effective Healthcare Traffic Management Through Machine Learning-Enabled Network Slicing

5G网络切片在医疗物联网中的交通分类效能研究基于合成数据集HealthNetSynthDataset，对比SVM、决策树等监督学习与K-means等无监督学习方法，验证SVM在医疗场景（如远程手术、监护）的交通分类中具有最高准确率，为医疗专用网络切片部署提供技术参考。

　　

摘要

随着5G技术的出现，医疗行业正在经历一场变革，下一代连接解决方案为临床效果带来了前所未有的提升。将AR/VR、3D相机、物联网设备以及可穿戴设备等多种技术集成在一起，需要实现无缝且可靠的通信。在这种动态环境中，5G驱动的网络切片（Network Slicing, NS）发挥了关键作用，它能够高效管理网络资源。网络切片可以将单一物理网络划分为多个虚拟且相互隔离的切片，每个切片都针对特定的流量类型和服务质量（Quality of Service, QoS）要求进行定制。高效的流量分类（Traffic Classification, TC）对于优化各切片间的资源分配至关重要。本研究评估了基于机器学习（Machine Learning, ML）的流量分类方法在三大5G服务类别（增强型移动宽带eMBB、大规模机器类型通信mMTC和超可靠低延迟通信uRLLC）中的有效性。我们重点关注对远程监控、远程手术、远程咨询和联网救护车等服务的流量进行分类。由于缺乏专用数据集，我们创建了一个新的合成医疗数据集（HealthNetSynthDataset）。我们采用了两步方法：（1）使用监督学习（Supervised Learning, SVM、决策树DT、随机森林RF、朴素贝叶斯Naive Bayes和K近邻KNN）和无监督学习（K均值K-means、高斯混合模型GMM以及启发式聚类Heuristic clustering）来构建ML模型；（2）评估并对比这些模型的性能，重点关注准确率指标，结果表明SVM的表现优于其他分类方法。据我们所知，这是首次在同一研究中同时评估监督学习和无监督学习方法。这项工作为选择最适合医疗行业网络切片高效部署的方法奠定了基础。