基于预测模型和资源预留意识的5G网络切片在线编排，适用于超可靠低时延通信（URLLC）场景

《Computer Communications》：Predictive and reserve-aware online orchestration of 5G network slices for URLLC

　　摘要
超可靠低延迟通信（URLLC）对服务保护有严格要求，在动态的5G网络切片环境中这些要求难以满足，尤其是在需求不确定和流量突然激增的情况下。本文研究了PRISM-URLLC（用于URLLC的预测和预留意识切片管理），这是一种集成预测和预留意识的在线编排框架，适用于动态多切片条件下的URLLC资源分配。该框架结合了观测到的需求、短期预测需求、服务质量（QoS）敏感性、切片优先级以及与紧迫性相关的信号，通过一个轻量级的基于分数的分配机制来实现资源分配。此外，它还引入了一种考虑不确定性的自适应预留策略，根据紧迫性强度、预测的URLLC需求和预测不确定性来调整临时预留预算。本文的贡献在于提出了一种实用的集成和编排机制，而不是一个新的预测架构或精确的最优控制求解器。评估在抽象的切片级仿真环境中进行，该环境具有标准化的资源池和由合成场景驱动的流量模式，涵盖了正常、高负载和紧急激增三种情况。由于模拟器不模拟队列、物理层/媒体访问控制（PHY/MAC）调度、传输过程或完整的5G控制平面行为，因此本研究没有报告部署级别的URLLC延迟关键性能指标（KPIs）。相反，它报告了从分配结果中获得的与延迟相关的服务压力指标，以及需求满足度、保护不足、公平性和利用率等指标，作为在相同假设下编排效果的比较指标。结果表明，PRISM-URLLC主要在高负载和紧急激增条件下改善了URLLC导向的服务指标，同时保持了竞争性的公平性、利用率和在线计算成本。可扩展性、对预测噪声的鲁棒性以及消融分析进一步描述了所提出的编排机制的运作范围和局限性。分析解释表明，基于分数的分配可以看作是从凹形每时隙效用放松中得到的压力加权比例分配，而自适应预留则作为一种由URLLC紧迫性、预测需求和预测不确定性驱动的有界线性风险缓冲。

引言
5G及Beyond 5G（B5G）网络的演进使得具有显著不同性能要求的异构服务能够共存，包括增强型移动宽带（eMBB）、大规模机器类型通信（mMTC）和超可靠低延迟通信（URLLC）[1][2]。在这些服务类别中，URLLC的要求最高，因为它需要为工业控制、连接医疗和智能交通等关键任务应用提供高度可靠且对延迟敏感的服务[3][4]。在动态的多服务环境中确保这些要求仍然具有挑战性，特别是当流量需求迅速波动或紧急事件触发局部流量激增时[1][5]。在物联网（IoT）网络中也研究了使用网络编码技术来减少延迟[6]，而本研究则关注于URLLC导向的5G/B5G切片的预测和预留意识资源分配。

网络切片作为一种关键机制，通过创建具有不同服务特性的多个逻辑网络，支持在共享物理基础设施上实现异构服务[2][7]。原则上，切片使运营商能够根据服务级别目标分配和管理资源。然而，在实际应用中，当多个切片在时变流量条件下竞争有限的共享资源时，切片编排仍然很困难。即使URLLC切片在逻辑上是隔离的，由于配置不完善、流量突变以及切片资源管理机制的适应性不足，服务质量仍可能下降[5][7]。大多数现有的切片资源分配方法依赖于静态配置规则、固定的优先级类别、为狭隘假设量身定制的优化程序或基于启发式的公平性驱动政策[8][9]。虽然这些机制在常规流量条件下可能表现良好，但在突发需求、紧急驱动的流量变化或需求估计不准确的情况下往往不够充分。在这种情况下，过度优先考虑URLLC流量可能导致其他切片资源供应不足，而供应不足则可能增加错过截止期限的风险并降低服务鲁棒性。因此，有效的URLLC切片编排不仅需要优先级划分，还需要能够利用预测信号并在不确定性下保持鲁棒性的在线决策[2][9]。

最近关于5G资源分配的研究探讨了基于优化的、启发式的和学习辅助的方法，以提高服务区分度和资源效率[9][10]。然而，仍存在一些局限性。首先，许多方法假设流量模式相对稳定，或者依赖于在各种操作条件下泛化能力较差的固定权重策略。其次，当考虑预测机制时，它们通常仅在概念层面被纳入，并未明确与针对突然需求激增的不确定性意识资源预留相结合。第三，先前的研究往往强调平均性能提升，而较少关注在压力操作机制下的截止期限违规行为、可扩展性、运行时开销以及对预测错误的鲁棒性。这些局限性对于URLLC导向的切片编排尤为严重，因为分配决策必须在流量波动和严格的服务约束下仍然有效。本文的目标不是声称获得部署级别的URLLC延迟认证，也不是引入新的预测模型。相反，本文研究了如何将观测到的需求、短期预测信息、预测不确定性、QoS敏感性和紧迫性整合到轻量级的在线编排规则中。由此产生的框架旨在提高在需求不确定和紧急激增条件下的URLLC导向的服务响应能力，同时保持可接受的公平性、利用率和计算效率。为了在上述切片级别范围内解决上述问题，本文做出了以下贡献：
- 它在动态多切片环境中制定了URLLC导向的切片资源分配问题，其中在线决策考虑了异构服务需求、时变需求、紧急驱动的流量激增以及有限的标准化资源预算。
- 它提出了一种不依赖于预测器的在线编排机制，该机制通过标准化多标准分配分数整合了观测到的需求、短期预测需求、QoS敏感性、切片优先级和与紧迫性相关的信号。
- 它引入了一种考虑不确定性的自适应紧急预留机制，该机制根据紧迫性强度、预测的URLLC需求和预测不确定性调整预留预算，不同于固定缓冲策略。
- 它对在线近似进行了分析解释，将标准化分配分数与压力加权比例效用放松联系起来，并将自适应预留解释为在预测不确定情况下的短期URLLC风险的有界替代。
- 它通过区分需求满足度、计算出的与延迟相关的服务压力指标、URLLC保护不足、公平性、利用率和运行时来澄清评估指标的解释。计算出的服务压力指标被视为比较编排指标，而不是部署级别的URLLC延迟保证。
- 通过与其他基于需求的、基于优先级的、公平性导向的、混合非预测的和高级控制导向的基线在同一环境下的比较，以及可扩展性、对预测噪声的鲁棒性、组件消融和复杂性分析，描述了该框架的运作范围。

因此，PRISM-URLLC并不声称是一种新的预测架构、精确的最优控制求解器或经过部署认证的URLLC解决方案。其新颖性主要体现在集成和编排方面。加权分配、需求预测、优先级区分、紧迫意识优先级和资源预留这些概念在单独考虑时都是已知的。因此，本文的贡献不在于将这些组件作为孤立的概念引入，而在于将它们整合到一个低复杂度的、不依赖于预测器的、具有预留意识的在线编排规则中，该规则综合考虑了观测到的需求、短期预测需求、QoS敏感性、切片优先级、紧迫性、预测不确定性、自适应预留以及针对保护不足的URLLC切片的预留重新分配。这种定位将PRISM-URLLC视为在突发和紧急驱动的流量条件下进行比较切片级资源分配的轻量级扩展。

本文的其余部分安排如下：第2节回顾了5G/B5G网络中URLLC导向切片和动态资源分配的相关工作。第3节介绍了系统模型和假设。第4节制定了切片资源分配问题。第5节描述了提出的预测集成和预留意识编排框架。第6节详细介绍了实验方法和评估场景。第7节展示并讨论了数值结果。第8节概述了当前研究的局限性。最后，第9节总结了本文。

相关工作
5G/B5G网络切片的动态资源分配受到了广泛关注，因为未来的网络必须同时支持具有不同服务质量要求的异构服务类别。特别是，URLLC导向的切片管理仍然具有挑战性，因为资源分配决策必须同时考虑严格的服务约束、高可靠性要求以及快速的需求波动[1][5]。现有研究大致可以分为...

系统模型和假设
我们考虑一个5G/B5G网络切片环境，其中有限的共享网络资源在多个服务切片之间动态分配。该系统支持包括URLLC、eMBB和mMTC在内的异构切片类别，这些切片具有不同的服务需求和流量特性。资源分配决策在离散决策间隔内定期进行，以适应时变需求和紧迫性条件。

问题定义
基于上一节介绍的系统模型，定义了在离散决策间隔上的切片资源分配问题。在每个时间间隔t，编排器将有限的共享资源预算Rtot分配给N个具有不同需求、优先级、QoS敏感性和紧迫性条件的服务切片。

提出的预测集成和预留意识分配框架
本节介绍了用于动态URLLC导向切片编排的在线资源分配框架。该方法使用标准化多标准分数对切片进行排名，执行预算受限的比例分配，并引入了一种考虑不确定性的自适应紧急预留机制，以提高在突发需求激增下的响应能力。

基线方法
为了评估所提出的预测集成和预留意识分配框架的有效性，我们将其与常用的动态多切片资源分配基线方法进行了比较。所有基线都在相同的抽象切片级模拟器中实现和评估，在相同的流量场景、资源预算和决策间隔下进行，以便将性能差异归因于分配逻辑而非不一致性...

结果和讨论
本节在受控的、相同的仿真假设下评估了所提出的预测和预留意识切片编排框架。与可能因不兼容的流量模型、系统抽象或实现细节而失真的跨论文数值比较不同，所有竞争方法都在相同的仿真环境、相同的流量机制、资源预算和切片数量下进行评估。这种相同环境下的评估提供了一个...

局限性
尽管评估涵盖了多种操作模式和诊断分析，但目前的研究仍存在一些局限性，需要明确指出。首先，当前框架是在一个抽象的基于MATLAB的切片级环境中评估的。考虑的资源被建模为标准化的共享网络资源预算，评估没有明确纳入详细的PHY/MAC广播行为、控制平面信号开销或标准化的5G/O-RAN管理功能。

结论
本文研究了一种用于动态5G/B5G网络切片环境中URLLC导向服务的预测集成和预留意识切片资源分配框架。所提出的方法结合了观测到的需求、短期预测需求、QoS敏感性、切片优先级和紧急意识信号，通过在线分配机制和支持自适应紧急预留来实现这一目标。其目的是改善在动态环境下的延迟敏感切片的处理...

作者贡献声明
El Miloud Ar-Reyouchi：撰写——审稿与编辑、撰写——原始草稿、可视化、验证、监督、软件、资源、项目管理、方法论、调查、形式分析、数据整理。Kamal Ghoumid：可视化、监督、项目管理、资金获取、形式分析。

利益冲突声明
作者声明他们没有已知的可能会影响本文工作表现的竞争性财务利益或个人关系。