基于AI的动态网络切片优化技术，利用时间图网络（Temporal Graph Networks）实现智能决策

《IEEE Networking Letters》：AI-Driven Dynamic Network Slicing Optimization leveraging Temporal Graph Networks

动态资源分配与网络切片优化：本文提出基于时空图神经网络（TGN）的AI驱动网络性能预测框架，通过NS-3仿真器验证其能有效预测网络吞吐量并优化资源分配，解决5G/B5G网络中流量波动、用户移动性和跨切片干扰导致的资源管理难题，提升服务质量自适应能力。

　　

摘要：

随着第五代（5G）及超越5G（B5G）网络的发展，动态资源分配与管理对于支持多种设备类型和混合数据流量变得至关重要。网络切片技术能够对基础设施进行逻辑分割，以满足应用程序特定的服务质量（QoS）要求，但流量波动、用户移动性以及跨切片干扰等因素给主动资源分配带来了挑战。传统方法在这些因素面前显得力不从心，导致效率低下。因此，本文探讨了一种基于人工智能（AI）的网络性能预测与资源分配框架，该框架采用了时间图网络（TGNs）。通过将TGN与NS-3仿真器结合使用，本文展示了预测网络吞吐量的有效方法。所提出的解决方案利用时空人工智能（AI）技术，实现了更准确的网络性能预测和自适应资源优化，从而支持动态网络切片功能。