63、基于MDAF的5G网络切片可扩展性研究

基于MDAF的5G网络切片可扩展性研究

1. 研究背景与动机

5G网络需要满足超可靠低延迟通信(URLLC)和大规模机器类型通信(mMTC)等多种服务需求。为了在同一硬件基础设施上实现这些需求,网络切片成为5G的关键特性之一。而管理5G网络切片,采用了ETSI NFV提出的MANO(管理与编排)框架,它将网络服务划分为不同的虚拟网络功能(VNF),并部署在不同的虚拟机(VM)上,还能动态监控5G切片上的每个VNF。

在5G中,mMTC应用用于大量设备的互连和通信,这要求5G核心网络能够同时处理大量的UE注册请求。接入和移动性管理功能(AMF)作为核心网络中与UE连接的首个网络功能,负责管理用户的连接控制和设备注册,被视为核心网络的瓶颈。当存在大量注册请求时,单个AMF容易过载,导致处理效率下降,用户无法顺利连接到核心网络。因此,AMF需要具备可扩展性。

2. 相关背景知识
2.1 5G核心切片的可扩展性
  • 5G核心架构 :3GPP在TS23.501标准中定义的5G核心网络采用控制平面和用户平面分离(CUPS)以及基于服务的架构(SBA)。CUPS使核心网络部署更灵活,控制平面和数据平面的组件可根据需求独立扩展或缩减。SBA让控制层的网络功能采用面向服务的架构,通过统一的基于RESTful API的服务接口(SBI)相互连接,降低了网络功能间的相互依赖,提高了核心网络的可扩展性和部署便捷性。
  • 5G网络切片 :网络切片是在通用网络基础设施上提供具有特定服务或客户功能的专用虚拟网络,通过网络功能虚拟化(NFV)技术实现。一个物理
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值