Машинное обучение в сетевом срезе: обзор

Ожидается, что сети 5G и последующих поколений будут поддерживать широкий спектр услуг с существенно различающимися требованиями. Однако традиционная сетевая архитектура «один размер для всех» не обладает достаточной гибкостью для предоставления таких услуг. В связи с этим сетевые срезы были предложены как перспективная парадигма для сетей 5G и последующих поколений, поддерживающая не только традиционные мобильные услуги, но и услуги вертикальных отраслей с крайне разнородными требованиями. Наряду с преимуществами практическая реализация сетевых срезов сопряжена со множеством проблем. Благодаря недавним достижениям в области машинного обучения (ML) некоторые из этих проблем удалось решить. В частности, применение методов ML обеспечивает автономное управление ресурсами в парадигме сетевых срезов. В данной статье представлен всесторонний обзор исследований по применению ML в сетевых срезах, а также выделены основные категории и подкатегории, представленные в научной литературе. Кроме того, сформулированы выводы, обсуждены нерешённые исследовательские задачи и рассмотрены потенциальные пути их решения.