基于AI驱动的网络切片大规模编排：全国性测试床上的服务指标预测

为解决网络切片(NS)在真实生产环境中AI原生编排架构的验证难题，研究人员开展了一项基于深度神经网络(DNN)和基础ML算法的延迟预测研究。通过在FIBRE-NG和Fabric等全国性测试床上部署分布式数据库(Cassandra)切片，构建了生产级数据集并比较了不同算法的性能。该研究为网络切片的自管理连接和SLA保障提供了可推广的智能验证方法。

　　

在数字化转型浪潮中，网络切片(Network Slicing, NS)技术正成为满足差异化服务需求的关键。然而，当前大多数AI赋能的网络编排方案仅停留在实验室模拟阶段，缺乏真实大规模环境验证。这种"温室培育"的解决方案面临严峻挑战——当遭遇复杂多变的全国性网络环境时，预训练的机器学习(ML)模型往往表现失常。更棘手的是，现有架构既缺乏原生智能，又存在数据隐私泄露风险，导致运营商不得不依赖第三方供应商的"黑箱"解决方案。

针对这一行业痛点，巴西国家科学技术发展委员会(CNPq)资助的研究团队在《Future Generation Computer Systems》发表了一项突破性研究。该团队创造性地将深度神经网络(DNN)与基础ML算法集成到"SFI² AI管理"架构的预测模块中，通过在FIBRE-NG和Fabric两大国家级测试床上部署Cassandra数据库切片，构建了包含真实网络条件的生产级数据集。研究不仅验证了AI模型在复杂环境中的适应性，更开发出可推广的SLA(Service-Level Agreement)预测方法论，为网络切片的自主化管理树立了新标杆。

关键技术方法包括：1) 在分布式数据库切片上实施读写负载测试生成指标数据集；2) 采用DNN与随机森林等基础ML算法并行训练；3) 通过超参数优化提升模型泛化能力；4) 设计跨测试床的验证框架评估模型迁移性。实验数据来自实际部署在巴西FIBRE-NG和美国Fabric测试床的Cassandra集群。

Related work
研究指出当前多数ML方案存在"仿真环境依赖症"，文献中的QoS预测模型90%仅在模拟环境中验证。相比之下，本研究首次实现了生产环境与实验室数据的联合建模。

Proposed method
提出的SFI²编排器创新性地将Predictor Module作为核心组件，通过基础设施级指标(如链路负载、节点资源利用率)的智能聚合，既保障了数据隐私又实现了SLA预测。该方法突破性地解决了传统方案中"细粒度数据需求与隐私保护"的矛盾。

Experiments and model computation
在FIBRE-NG测试床上，DNN模型对Write延迟的预测误差比实验室环境增加23%，但仍保持85%的SLA违规预警准确率。值得注意的是，随机森林在跨测试床迁移时表现出更好的鲁棒性，验证了混合算法策略的必要性。

Evaluating results
超参数调优使DNN的收敛速度提升40%，但研究发现：网络拓扑变化对模型影响远超预期，东西向流量激增时预测误差会骤增2-3倍。这揭示了当前AI模型对动态网络适应的局限性。

Concluding remarks
该研究证实：1) 生产环境数据质量显著影响模型性能，实验室数据需经域适应(Domain Adaptation)处理；2) 混合AI架构(DNN+传统ML)在跨域部署中更具优势；3) 提出的验证框架可推广至5G/6G网络切片场景。Rodrigo Moreira等学者特别强调，这是首个在国家级基础设施上实现AI-native编排全流程验证的研究，为6G网络的"自智网络"(Autonomous Network)愿景提供了关键技术支撑。

研究同时指出未来方向：需开发轻量化模型以适应边缘设备，并建立跨运营商的联邦学习机制。这些发现对国际电信联盟(ITU)正在制定的AI网络标准具有重要参考价值，特别是在解决"智能编排的标准化与个性化矛盾"方面提供了实证依据。