自适应5G网络切片技术:基于实时流量分类的实验验证与性能优化

《IEEE Access》:Adaptive 5G Network Slicing with Real-Time Traffic Classification and Experimental Validation

【字体: 大 中 小 】 时间:2025年12月16日 来源:IEEE Access 3.6

编辑推荐:

  本文针对5G网络中固定切片方法难以适应动态流量变化的问题,提出了一种基于机器学习(ML)的自适应网络切片框架。研究人员在符合3GPP Release 16标准的5G独立组网(SA)实验床上集成Open5GS、srsRAN和软件定义无线电(SDR)设备,通过ML模型对流量进行高、中、低三级分类,并实时调整切片资源。实验结果表明,该方案相比静态切片可降低约15%的时延、提升吞吐量并显著减少丢包率,且仅需CPU资源即可实现实时适配,为5G网络在物联网(IoT)等场景下的高效资源管理提供了实用化解决方案。

  
随着第五代移动通信技术(5G)和物联网(IoT)生态系统的快速发展,各类应用对服务质量(QoS)提出了多样化且苛刻的要求,从安全关键操作到高带宽服务,均需低时延、高吞吐量和自适应资源分配能力。然而,许多基于传统技术的现有基础设施难以满足此类性能需求,尤其在远程或高动态环境中,容易导致关键操作延迟、服务质量下降以及资源利用效率低下。物联网在大规模运营中的集成有望通过实时数据采集和自动化变革资产管理、监控与连接,但此类环境也带来显著挑战,包括高移动性、波动的网络条件和多样化的QoS需求,亟需可扩展且 resilient 的通信框架。与非独立组网(NSA)部署不同,5G独立组网(SA)为物联网应用提供了端到端能力支持,覆盖从实时视频监控到高吞吐量服务的用例。尽管有这些进展,大多数研究仍集中于陆地部署,对高度可变条件下场景的探索有限,这凸显了需要能够适应异构环境的解决方案。
网络切片作为5G的核心技术,允许在共享基础设施上创建多个虚拟网络,从而为特定服务需求定制切片以确保优化性能。与之互补,机器学习(ML)技术可辅助流量分类以支持动态切片选择决策,实现更响应迅速的资源分配。尽管已有大量研究涉及网络切片,包括一般性研究和垂直行业应用,但较少研究探讨垂直领域中的切片,例如工业4.0、关键通信和娱乐等垂直领域的5G切片商业模式分析,以及汉堡港大规模工业试验报告均显示跨域协调对切片管理的重要性。若干研究项目,如5G-MOBIX(跨境互联移动性)、5G-HEART(垂直用例)和海事连接平台(MCP,互操作性和关键通信)表明,自适应切片可提升垂直领域的运营效率。然而,在确保陆地与卫星切片间无缝切换以及传感器密集部署中的能效传输方面仍存在挑战,凸显了在物联网生态系统中进一步研究跨域编排和上下文感知切片管理的必要性。
为解决上述问题,研究人员开展了一项针对5G物联网应用的新型框架研究,该框架集成了自适应网络切片与基于机器学习的流量分类以支持切片选择。研究基于一个完全实现3GPP Release 16兼容的5G独立组网(SA)的实验床,采用开源虚拟化软件组件(Open5GS核心网和srsRAN虚拟化基带单元vBBU栈)以及研究用无线电设备(NI USRP SDR)。基于此设置,实验床提供了基于3GPP定义的单一网络切片选择辅助信息(S-NSSAI)值试验多种逻辑网络切片配置的能力。研究的主要贡献包括:设计了一个集成自适应网络切片与ML流量分类的框架以支持动态切片选择;使用Open5GS和srsRAN技术开发并验证了一个5G SA实验床以评估动态网络条件下的性能;在不同物联网场景下展示了吞吐量、时延和资源效率的显著提升。
为开展研究,研究人员主要应用了以下几项关键技术方法:首先,构建了基于Open5GS和srsRAN的5G SA实验床,集成软件定义无线电(SDR)和商用现成(COTS)用户设备(UE),在N78 NR频段(3.3-3.8 GHz)配置10 MHz带宽进行实验;其次,设计了切片管理器插件(Slice Manager Plugin),其包含数据摄取管道(使用Kafka)、数据处理单元、ML分类单元(采用随机森林、逻辑回归和支持向量分类器SVC的集成学习模型)、决策引擎和连接器等核心组件,用于实时流量分类和切片资源动态调整;第三,通过流量生成工具(如iperf3)模拟了高(>300 Mbps)、中(~40 Mbps)、低(~1 Mbps)吞吐量的三类物联网业务场景(乘客宽带连接、实时视频监控、物联网船舶监控),并利用S-NSSAI参数配置增强移动宽带(eMBB)、超高可靠低时延通信(URLLC)和海量机器类通信(mMTC)切片;最后,通过性能监测代理收集吞吐量、时延、丢包率等关键绩效指标(KPI)进行评估。

系统架构

提出的框架将私有5G SA实验床与切片管理器插件集成,该插件支持高级切片资源管理。插件编排网络切片的供应、监控和适配,并可部署于不同实验环境。其概念架构如图1所示。框架由两组组件构成:一组是构成切片管理器插件功能的核心组件,另一组是依赖于特定底层实验床的组件。核心组件包括数据摄取管道(使用Kafka收集来自各实验床性能监测代理的所有数据)、数据处理单元(解析Kafka馈送的监测数据)、ML分类单元(基于从监测数据提取的统计特征进行流量分类,使用在历史流量模式上训练的监督模型)、决策引擎(使用分类单元的输出并与预定义的正常、中、高流量固定阈值比较以提供准确决策)和连接器(使来自引擎单元的可操作决策适应每个底层实验床的具体情况)。特定于每个实验床的组件包括API暴露插件(作为切片管理器插件与核心网和无线接入网(RAN)级别的切片和用户管理网络能力之间的抽象层)和性能监测代理(作为切片管理器插件与来自核心网、RAN或TR-069组件的监测数据之间的抽象层)。切片管理器插件通过此设计与NEMO(Next Generation Meta Operating System)元操作系统(MetaOS)编排环境交互,以提供可扩展且高效的5G通信服务,展示了所开发解决方案在各种实验床中的可移植性。

自适应网络切片与流量分类及切片管理

提出的框架引入了一种针对物联网应用优化的自适应网络切片机制。该机制建立逻辑的特定于应用的切片,旨在适应不同的QoS要求,确保在提及的各种操作场景中的高效和 resilient 通信。网络切片使用S-NSSAI配置,包含切片服务类型(SST)和服务区分符(SD),以实现精确的资源分配,比传统的静态网络配置提供更大的灵活性。例如,高吞吐量切片可分配给带宽密集型应用(如多媒体流),而低时延切片可用于任务关键的遥测和实时视频应用。切片管理系统基于动态流量需求自动化供应、实时监控和适配,确保持续优化。切片管理器插件的ML分类组件被训练将网络流量分为三个不同类别:高、中、低流量。该算法提供实时分类,实现对网络负载的动态管理,这对于在不同物联网环境中维持高效性能至关重要。AI/ML模型的训练经历了两个主要阶段:数据准备和模型选择与避免过拟合。在数据准备阶段,模型在自生成的数据集上训练,这些数据集使用实验床监测设置(CPE+ TR-069服务器)和iperf3/模拟器生成的网络流量,具有高吞吐量(超过300 Mbps UL/DL,模拟终端用户的宽带接入)、中吞吐量(约40 Mbps UL/DL,模拟5G视频流用例,如用于检测船舶未经授权访问的监控系统)和低/正常吞吐量(约1 Mbps UL/DL,模拟物联网应用,如关键系统监控)的特征。训练算法从摄取三个标记数据集(CPE_high、CPE_medium、CPE_normal)开始,每个数据集标有其对应的流量类型作为分类目标变量。为防止对任何特定流量类型的偏见,通过下采样较大类以匹配最小类来平衡数据集。平衡后,合并的数据集准备好进行特征提取。选择的流量分类特征包括:URLLC_Sent_thrp_Mbps(发送流量的吞吐量,以Mbps计)、URLLC_BytesSent(发送的总流量字节数)、URLLC_BytesReceived(接收的总流量字节数)、URLLC_Received_thrp_Mbps(接收流量的吞吐量,以Mbps计)。这些特征对于捕捉网络负载的本质是必要的,并基于其与流量特征的相关性选择。在模型选择与避免过拟合阶段,开发的算法基于集成学习方法,结合了三种机器学习分类器:随机森林(Random Forest)、逻辑回归(Logistic Regression)和支持向量分类器(SVC)。每种分类器因其对网络流量分类特征的适用性而被选择,旨在创建一个强大且适应性强的模型。随机森林通过构建多个决策树并聚合其输出来提高分类精度并减少方差,特别适用于处理特征与目标类之间的复杂非线性关系。逻辑回归是一种简单而强大的线性分类器,当输入特征与目标类之间存在线性关系时有效,在吞吐量数据显示出区分高、中、正常流量的清晰阈值时尤其有用。使用线性核的SVC旨在最大化不同流量类型之间的间隔,当不同类的数据点在特征空间中可被清晰间隔时效果最佳,在流量类型在特征空间中接近的情况下有益。这些分类器在集成模型中的组合确保了利用每个单独模型的优势同时最小化其弱点。研究采用软投票(soft voting),聚合每个分类器的概率输出,这有助于防止过拟合,因为没有单个分类器主导决策过程,且集成能更好地泛化到未见数据。训练数据被分割为训练集和测试集,80%数据用于模型训练,20%保留用于测试。在训练前,使用StandardScaler对特征进行归一化,以确保所有特征处于相同尺度,因为逻辑回归和SVC对特征幅度敏感。缩放改善了分类器的收敛和性能。

实验床设置与方法论

5G SA实验床设计

为验证所提框架,研究人员开发了一个5G SA实验床,使用Open5GS用于核心网功能,srsRAN用于虚拟化基带功能,研究用软件定义无线电(SDR)设备(National Instruments USRP B210)作为无线单元(Radio Unit),以及商用现成(COTS)设备(UE)用于流量生成(OnePlus 10 Pro智能手机和Nokia Fastmile 5G Gateway 3.2 CPE)。实验床评估物联网场景中的网络切片、资源分配和流量优化。设置运行在5G频率范围1(FR1)内的N78 NR频段(3.3-3.8 GHz),采用 numerology 0(15 kHz子载波间隔,1 ms时隙持续时间)和10 MHz带宽,反映了典型的商业蜂窝网络分配。此配置确保低时延和高吞吐量,并对中等多普勒效应具有 resilience。所有实验在室内环境进行,SDR无线单元与UE之间存在视距(LOS)传播,且多径和阴影有限。这种相对理想的传播环境有利于稳定测量并简化结果解释,但代价是未捕捉实际部署中常见的非视距(NLOS)和恶劣无线电条件。5G核心网(5GC)部署在裸金属服务器上,支持使用在AMF和UPF功能内配置的3GPP兼容S-NSSAI参数进行模块化、切片特定的配置。srsRAN作为虚拟化基带单元(vBBU)运行,同样允许基于核心网域中配置的相同S-NSSAI值配置各种切片能力。流量生成涉及COTS 5G UE和用于高吞吐量场景的自定义仿真脚本。图2展示了物理实验床。

测试场景、流量生成与数据收集

为验证框架,模拟了三种常见的物联网场景,每种场景同时进行上下行流量,持续6小时,每个场景代表具有不同QoS要求的关键用例。这些场景旨在评估框架在变化流量条件下动态管理网络切片的能力,确保最优性能。1) 乘客宽带连接:流量特征为超过300 Mbps(下行和上行)的高吞吐量流量,模拟终端用户的宽带互联网接入;切片配置使用SST值1(eMBB),优先处理带宽密集型服务;流量生成由基于UDP/TCP协议的自定义流量仿真器生成代表实际连接需求的数据流。2) 实时视频监控:流量特征为中吞吐量流量(约40 Mbps),模拟实时视频流和未经授权访问检测;切片配置使用SST值2(URLLC)的低时延切片,确保最小延迟,对安全操作至关重要;流量生成由iPerf3模拟时延敏感流,复制监控摄像头数据流。3) 基于物联网的船舶监控:流量特征为低吞吐量流量(约1 Mbps),模拟来自关键系统的遥测和状态更新;切片配置使用SST值3(mMTC),优化高设备密度和可靠性;流量生成由iPerf3生成低带宽遥测数据,模拟物联网设备通信。切片使用切片管理器插件配置,该插件基于实时流量需求动态分配资源并将用户重新配置到目标切片。数据收集来自:切片管理器日志(捕获性能指标:吞吐量、时延、丢包率、抖动变化);核心网和RAN监控(提供资源分配、流量流和切片适配行为的细粒度数据)。

评估指标

框架性能使用以下主要指标评估,以评估其在物联网场景中满足QoS要求和优化资源分配的能力。1) 吞吐量:评估定义的切片上下行吞吐量,以评估框架处理高吞吐量(乘客宽带)、中吞吐量(实时监控)和低吞吐量(物联网遥测)流量的能力。2) 时延:在两个级别测量:边缘时延(5G网络与连接到UPF的边缘节点之间的延迟,对时延敏感应用如视频监控至关重要);端到端时延(5G网络与UE之间的延迟,提供跨通信路径QoS性能的整体视图)。3) ML分类器性能:使用精确度(precision)、召回率(recall)、F1分数(F1-score)和混淆矩阵评估,确保在高、中、低吞吐量场景下可靠的流量分类。4) 丢包率:在所有切片上监控,确保数据传输可靠性,尤其对于时延敏感应用如监控和实时监控。5) 资源利用效率:分析以验证切片管理器动态分配资源而不过度配置的能力,该指标展示了框架在维持QoS水平的同时优化带宽和计算资源的效率。

结果与分析

实验床性能

在网络切片框架受控测试条件下评估了其性能。实验床达到了表1所示的结果。如表1所示,平均下行吞吐量为42.32 Mbps,平均上行吞吐量为18.01 Mbps,到边缘计算节点的往返时间(RTT)范围为18-24 ms(平均22 ms),到互联网的RTT范围为56-70 ms(平均66 ms)。观察到的吞吐量值在预期范围内,考虑到无线电系统配置为使用N78 NR频段的10 MHz带宽。实现的值表明使用的COTS UE对上下行流量采用了16-QAM调制编码方案(MCS索引13)。此外,观察到的时延值对于开源5G SA网络原型是典型的,为用例提供了足够性能,并对商用蜂窝网络可实现的值构成挑战。正如预期,到互联网的RTT高于到边缘计算节点的RTT,因为测试数据包需要经过额外的网络跳数。这些结果确认了框架在不同网络负载下维持稳定数据速率和低时延。

网络稳定性与性能瓶颈

实验床部署的网络稳定性评估仅依赖于实证证据,基于切片管理器插件开发过程中进行的持续实验。此持续实验揭示了几个影响网络性能和稳定性的关键问题:USB驱动程序过载(网络连续运行揭示了NI USRP B210的USB驱动程序的显著限制,该驱动程序在长时间使用后倾向于过载并崩溃,需要手动断开并重新连接SDR到服务器);服务器CPU利用率(服务器高CPU使用率与网络不稳定性强相关,尤其表现为用户设备(UE)从网络断开);UE距离限制(UE相对于SDR的操作范围是网络稳定性的关键因素,测试显示将UE移动到离SDR超过20米导致UE断开);时延关键流量影响(从事时延关键流量显著影响网络性能,具体增加了协议数据单元(PDU)丢失的可能性,如果此类流量持续,系统稳定性下降,最终在长时间使用后导致完全系统故障);信道带宽限制(将聚合信道带宽增加到20 MHz以上引入了更大的不稳定性和更频繁的错误,导致更快的系统退化)。

AI/ML模型评估

基于ML的流量分类器使用准确度、精确度、召回率和F1分数指标进行验证,展示了在区分高、中、低吞吐量流量类别方面的卓越准确度。集成学习方法优于单个分类器,达到了表2所示的结果。如表2所示,高流量负载的准确度为0.9648,精确度为0.9749,召回率为0.9648,F1分数为0.9698;中流量负载的相应值为0.9751、0.9771、0.9751、0.9761;低流量负载为1.0000、0.9877、1.0000、0.9938;总体值为0.9800、0.9799、0.9800、0.9799。表中显示的值显示了所有流量负载类型下持续且强大的分类,仅在中和高之间存在轻微误分类。由于平衡数据集和低假阴性假阳性数,所有指标值接近甚至相同。此外,集成分类器的平均推理时间在部署环境上单独测量,实现了每个样本约0.045 ms的平均分类延迟。这确认了所选的轻量级ML方法完全兼容切片管理器插件中的实时决策周期。这些结果表明提出的分类模型在所有流量类别中提供高准确度,确保有效的实时流量区分和优化资源分配。高AUC-ROC(图4)值进一步证实了模型在最小化假阳性和假阴性方面的性能。

比较性能分析

研究人员将提出的ML驱动切片框架与静态切片模型进行比较。如表3所示,ML驱动切片实现了比静态切片更低的时延(下降约15%)。同样,使用ML驱动切片方法实现的吞吐量略高。此外,使用该方法时丢包率显著降低。这些结果验证了使用AI的自适应切片提供了更优的性能。表3显示,静态切片的时延为80 ms,ML驱动切片为68 ms(降低15%);静态切片吞吐量为38.0/16.2 Mbps(DL/UL),ML驱动切片为42.2/18.0 Mbps(DL/UL);静态切片丢包率大于1.5%,ML驱动切片小于0.5%。图3中的混淆矩阵证实了基于ML的流量分类器的高分类准确度。注意到低假阳性率表明网络切片被正确分配,防止了带宽误分配。图4中的ROC曲线进一步验证了这一点,所有流量类别的AUC值超过0.98。文献[15]和[30]中的基于深度学习的切片方法实现了良好的准确度,但依赖于更复杂的流水线和更重的模型结构。[30]中的方法同时使用变分自编码器(VAE)和卷积网络,导致3.41毫秒的推理时间并需要更广泛的处理。本文的轻量级机器学习框架完全在CPU上运行,仅使用少数数值特征,并在0.045毫秒内产生切片决策,这显著快于[30]中的深度学习结果,同时仍提供清晰的QoS改进。这些发现表明有效的自适应切片并不总是需要深度学习,尤其是当快速和实用的决策是优先事项时。在本文的小规模和受控网络环境中,流量模式有限且相当可预测,因此轻量级分类器完全足够。在更大更复杂的网络中,流量变得更加多样化和不可预测,服务、用户和小区之间的交互创建了简单模型可能无法捕捉的模式,在这种情况下可能需要更复杂的分类器来理解这些更广泛的行为并做出准确预测。本文模型对于快速本地决策仍然有用,但更高级的模型将有助于处理大规模部署的更广泛和更动态的条件。

讨论与结论

获得的结果证实了在物联网环境中使用ML增强网络切片的可行性,即使在相对受限的小规模5G实验床上测试也是如此。实现的性能,特别是在低丢包率和改进吞吐量方面,表明流量感知动态切片相比静态方法可以提供切实的好处。然而,这些结果必须在测试期间使用的受控环境背景下解释,其中做了几个简化假设。首先,注入系统的流量模式是合成生成的,基于低、中、高流量负载的假定特征。在实际部署中,流量源将更加多样化,包括高度突发的视频流、不规则的传感器更新以及来自附近通信系统的外部干扰。这种可变性可能显著改变分类器性能,特别是如果某些流量类型在训练数据中代表性不足。作为未来工作的一部分,计划在更大的实验床和操作试验台中装备切片管理器插件,收集多服务流量数据集,并定期重新训练分类器。其次,无线电环境相对理想——UE与gNB之间存在视距(LOS)且多径衰落有限。在更具挑战性的条件下,特别是由建筑物、集装箱或金属结构等物理障碍物引起的非视距(NLOS)场景,无线电条件将恶化,迫使采用较低的调制方案并增加重传。这将直接影响吞吐量和切片的时延稳定性。因此,未来工作将扩展框架评估到受控NLOS和移动性场景,包括多小区部署和切换,以量化当无线电层成为主要性能限制时自适应切片行为的稳健性程度。最后,对于实际部署,需要考虑额外元素。可能需要与本地网络管理系统和自动化平台集成,允许切片算法考虑操作优先级(例如,在关键操作期间某些传感器数据获得更高优先级)。此外,回程链路并不总是陆地的——具有更高时延和不同拥塞行为的卫星链路可能需要重新训练或调整切片模型以处理此类不对称条件。
本文提出的实验验证是在包含单个SDR基gNB和有限数量UE的小规模5G SA实验床上进行的。然而,从架构角度来看,切片管理器插件在设计时考虑了可扩展性。数据摄取管道模块可以聚合来自多个设备
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号