《Sensors》：Network-Slice-AwareVNF Orchestration for Mission-Critical IoT in 6G Networks: A Multi-Objective Deep Reinforcement Learning Approach
编辑推荐：
任务关键型物联网（MC-IoT）应用，如远程手术、自主无人机集群、工业安全监控等，对可靠性（99.999%）、时延（亚毫秒级）和切片间隔离性具有超严格的要求，这些要求需要专用网络切片以及精心编排的虚拟网络功能（VNF）链。虽然先前针对VNF编排的解决方案试图将
任务关键型物联网（MC-IoT）应用，如远程手术、自主无人机集群、工业安全监控等，对可靠性（99.999%）、时延（亚毫秒级）和切片间隔离性具有超严格的要求，这些要求需要专用网络切片以及精心编排的虚拟网络功能（VNF）链。虽然先前针对VNF编排的解决方案试图将经常冲突的要求合并为具有标量奖励的单一目标，或静态配置资源分配，但这些策略均无法适应动态任务关键型工作负载，因此都不充分。在本文中，研究人员提出一种名为SliceNFV的网络切片感知NFV编排框架，该框架使用多目标深度强化学习（MO-DRL）来优化每个切片的VNF资源分配、切片间隔离执行以及跨切片资源共享效率。该编排问题被形式化为多目标约束马尔可夫决策过程（MO-CMDP），并开发了一种新颖的Pareto条件近端策略优化（PC-PPO）算法，以学习一组非支配编排策略，使运营商能够沿着可靠性-效率前沿选择工作点而无需重新训练。时序卷积网络（TCN）是一种可扩展网络，利用预测性切片感知VNF伸缩机制来预测任务关键型事件的到达并提前伸缩资源，以避免SLA违约。在三个递进场景（稳态运行、任务关键型需求激增和基础设施退化）下进行的大量仿真评估结果表明，SliceNFV在SLA违约率为0.08%时提供99.998%的可靠性，而所有其他基线均超出其相应SLA；此外，SliceNFV将Pareto超体积比传统多目标方法显著提高36.4%，同时将基础设施利用率提高至76%。
第六代（6G）无线网络被设想为智能且高度可编程的网络结构，以支持扩展现实、自主工业网络、公共安全系统和海量物联网部署。其中，任务关键型物联网（MC-IoT）应用，如远程手术、自主无人机集群、工业安全监控等，对端到端时延、可靠性和服务隔离性有极高要求。网络切片是5G及以后支持差异化服务
