5G/B5G网络中用于资源分配的动态网络切片：一种基于优化的方法

《Ad Hoc Networks》：Dynamic network slicing for resource allocation in 5G/B5G networks: An optimization-based approach

　　

异构服务的快速增长，例如超可靠低延迟通信（Ultra-Reliable Low-Latency Communication, URLLC）、增强移动宽带（enhanced mobile broadband, eMBB）和大规模机器类型通信（Massive Machine Type Communications, mMTC），要求5G/B5G网络支持动态且可扩展的资源分配框架。该论文提出一个上下文感知资源编排（Context-Aware Resource Orchestration, CARO）框架，这是一种基于优化的方法，集成了多接入边缘计算（multi-access edge computing, MEC）和网络切片，以协调不同服务需求之间的资源分配。CARO采用一个模块化编排栈，包括一个切片编排器（Slice Orchestrator）用于切片准入和优先级排序、一个MEC控制器（MEC Controller）用于主机选择和资源分配、一个SDN控制器（SDN Controller）用于路径选择、一个NFV编排器（NFV Orchestrator）和VNF管理器（VNF Manager）用于VNF生命周期管理，以及一个物理层（Physical Tier）用于动态基础设施执行。通过利用软件定义网络（software-defined networking, SDN）和网络功能虚拟化（network function virtualization, NFV），CARO动态地优先处理切片、选择MEC服务器，并实施QoS感知策略，适应实时网络条件和切片感知的工作负载整合。来自5G MEC场景的仿真结果表明，与静态分配基线相比，CARO能够降低URLLC服务的平均服务延迟并提高资源利用率。这些结果表明，所提出的框架提供了一种实用方法，可以平衡下一代网络的扩展性、适应性和运营效率，同时保持可管理的编排开销。

**研究背景与问题**
第五代（5G）及超五代（B5G）网络需同时支持超可靠低延迟通信（URLLC）、增强移动宽带（eMBB）和大规模机器类型通信（mMTC）等异构服务，这些服务对延迟、带宽和可靠性要求各异且常相互冲突。传统静态资源分配方式导致资源利用不足或过载，无法动态适应时空变化的业务需求。现有方案多将切片优先级、MEC（多接入边缘计算）服务器选择与SDN（软件定义网络）路径选择分开处理，缺乏集成化的可解释编排框架。为此，研究人员提出CARO（上下文感知资源编排）框架，旨在通过优化方法协调切片管理、MEC服务器分配与端到端路径选择，在共享基础设施上保障服务质量（QoS）。

**研究内容与结论**
研究人员设计了CARO框架，包含切片编排器、MEC控制器、SDN控制器、NFV（网络功能虚拟化）编排器、VNF（虚拟化网络功能）管理器及物理层，通过三阶段协调（切片权重动态调整、MEC服务器多准则选择、SDN路径按切片类型优化）实现资源分配。在OMNeT++仿真环境下的5G MEC测试平台上，与静态编排基线对比，CARO显著降低URLLC平均服务延迟（从0.43–0.46 ms降至0.32–0.39 ms），提升服务接纳率，均衡MEC负载，并优化CPU与RAM利用率。敏感性分析表明，阈值调整下CARO仍优于静态方案。该研究成果发表在《Ad Hoc Networks》。

**关键技术方法（不超过250字）**
CARO框架采用三阶段决策机制：①切片编排器通过条件基机制（依据延迟、利用率、可靠性指标）动态调整切片权重（式2–3），并按加权比例分配资源（式4）；②MEC控制器基于多准则成本函数（式6）选择MEC服务器，该函数综合延迟比（式8）、带宽可用比（式9）、剩余计算/内存资源（式10）、链路可靠性（式11）及负载惩罚项（式7），权重根据切片类型动态配置；③SDN控制器按切片类型选择路径：URLLC取延迟最小路径（式12），eMBB取带宽最大路径（式13），mMTC取可靠性最高路径（式14）。此外，采用指数平滑预测负载（式5）实现主动负载均衡。所有组件通过闭环通信流（图3）交互，支持实时响应。

**研究结果**
- **MEC负载分布**：通过仿真监测MEC服务器负载随时间变化，CARO使各服务器负载分布相对均匀，避免单个MEC过载，体现上下文感知服务放置与动态资源编排的效果。
- **服务数量**：将80 s运行分为9个非重叠窗口统计成功完成的服务请求数，CARO在各窗口均接纳更多请求，因自适应优先级与资源感知部署。
- **CPU与RAM利用率**：在6 s间隔监测点记录可用CPU和RAM百分比，CARO更一致且高效地使用资源，通过重新分配低利用率时段（如mMTC非高峰）的资源减少服务拒绝。
- **分配资源随时间变化**：每约2.58 s采样一次，CARO在切片级别调整资源，产生更平滑的分配曲线和更少的尖峰，降低过载风险。
- **切片权重动态**：记录切片权重演化，URLLC在服务质量违约（如延迟尖峰）时权重可升至2.0，mMTC保持较低但根据密度和可靠性需求渐增，eMBB中等波动以平衡吞吐敏感性与竞争。
- **URLLC延迟性能分析**：比较下行延迟，CARO维持0.32–0.39 ms平均延迟，静态基线为0.43–0.46 ms，表明延迟感知路由与动态MEC分配降低延迟尖峰。
- **eMBB延迟性能分析**：CARO的eMBB下行延迟在整个运行期间大部分低于静态，归因于带宽感知路由与负载敏感放置减少繁忙边缘主机排队。
- **mMTC延迟性能分析**：CARO的mMTC延迟多数时间低于静态（约38–45 ms vs 上40–60 ms），可靠性感知路由减少高延迟事件。
- **吞吐量分析**：通过自适应路由、优先级感知资源分配与流量感知切片选择，CARO在需求高时提升网络吞吐量。
- **敏感性分析**：在延迟、带宽和可靠性阈值±20%变化下，CARO表现平滑：更严格阈值提升SLA合规性但略增资源争用，更宽松阈值提高利用率但QoS适度下降，均优于静态基线。

**讨论与结论翻译**
讨论部分（隐含于仿真结果分析）指出，CARO通过动态切片权重调整、上下文感知MEC映射和切片特定SDN路径选择协同作用，实现了延迟降低、服务接纳增加和资源分布均衡，但性能依赖具体上下文因素。
结论翻译：在本论文中，研究人员提出并设计了CARO（上下文感知资源编排）框架，以支持5G及超五代网络中的多样化服务需求，特别是通过集成MEC（多接入边缘计算）和网络切片。所提出的架构协调切片优先级排序、基于本地上下文的MEC决策以及物理层执行，实现动态适应。通过SDN（软件定义网络）和NFV（网络功能虚拟化）技术，CARO支持可适应的资源分配策略，以适应不同切片类型（包括URLLC、eMBB和mMTC）下的流量需求变化和服务质量约束。该框架使用一个基于实时指标（如延迟、带宽可用性和链路可靠性）的控制模型来指导资源编排。它实施一个反馈系统，通过持续调整来修改资源策略，从而在低于过度配置阈值的情况下预防拥塞并维持服务级目标。仿真结果表明，CARO在延迟降低、服务接受率和资源分配效率方面相对于静态编排提供了可测量的改进。该框架展现了作为一种灵活编排方法在变化条件下管理不同网络切片的潜力，尽管其性能依赖于具体上下文因素。