Coati optimized hybrid neural network for efficient network slicing in 5 generation network
Coatijevo optimizirano hibridno nevronsko omrežje za učinkovito rezanje omrežja v omrežju petih generacij

angleški

2025

letnik 55, številka 2

Coati optimizacija   Gated Dilated CNN   GhostNet   globoko učenje   rezanje omrežja

Strokovno društvo za mikroelektroniko, elektronske sestavne dele in materiale
(Obvezni izvod spletne publikacije)

Razrez omrežja (NS) razdeli fizično omrežje na več logičnih omrežij, da bi podprl različne nove aplikacije z večjo zmogljivostjo in prilagodljivostjo. Zaradi teh aplikacij se je z velikim številom mobilnih telefonov ustvarila ogromna količina podatkov. To je močno vplivalo na zmogljivost omrežja NS in povzročilo izjemne izzive. Za učinkovito obvladovanje teh izzivov članek predlaga novo tehniko optimalne klasifikacije omrežnih rezin z uporabo globokega učenja (ONE-CLOUD), ki združuje algoritem COA (Coati Optimization Algorithm), GhostNet in gated dilated konvolucijsko nevronsko mrežo (CNN). COA optimizira lastnosti, kot so vrsta uporabniške naprave, stopnja izgube paketov in stopnja zamude, pri čemer uporablja model GhostNet in Gated Dilated CNN za klasifikacijo omrežnih rezin. Predlagana metoda razvršča omrežne rezine v izboljšano mobilno širokopasovno omrežje (eMBB), izjemno zanesljive komunikacije z nizko zakasnitvijo (URLLC) in množične komunikacije strojnega tipa (mMTC). Učinkovitost predlaganega pristopa je bila ocenjena z uporabo podatkovne zbirke 5G-SliciNdd, pri čemer so bila uporabljena merila za ocenjevanje, kot so natančnost, točnost, priklic, občutljivost, specifičnost, prepustnost in zmanjšana zakasnitev. Skupna natančnost predlagane metode je za 5,78 %, 2,78 % in 4,70 % višja od obstoječih tehnik DQN-E2E, DRL in AAA.

06.07.2026