CC BY
14
DOI 10.36622/VSTU.2022.18.6.014 УДК 004.75
ОБОСНОВАНИЕ ФРАГМЕНТАЦИИ СЕТИ С ПОМОЩЬЮ ГЛУБОКОГО ОБУЧЕНИЯ
В БЕСПРОВОДНЫХ СЕТЯХ (5G/LTE)
Т. Ле Ань, Т.Л. Во Минь, Б. Данешманд
Национальный исследовательский университет информационных технологий, механики и оптики (Университет ИТМО), г. Санкт-Петербург, Россия
Аннотация: сейчас и в будущем мобильные сети 5G, мобильные коммуникации и беспроводные сети должны соответствовать стандартам низкой задержки, высокой надежности, повышенной емкости, большей безопасности и быстрого подключения пользователей. Мобильные операторы постоянно ищут решения, которые позволят нескольким независимым абонентам работать в одной сети 5G. Одним из таких решений является использование технологии фрагментации сети (Network Slicing - NS) для распределения конечных сетевых ресурсов на одной и той же физической инфраструктуре. Принятие решений на основе данных имеет решающее значение для будущих сетей связи в связи с бурным ростом трафика. Для эффективного управления распределением сетевых ресурсов и доступностью сети использованы машинное и глубокое обучение в сети. Использованы ключевые показатели эффективности (Key Performance Indicators - KPIs) для анализа входящего трафика и прогнозирования фрагментов сетевых ресурсов для распределения неизвестных устройств. Интеллектуальное распределение ресурсов позволяет эффективно использовать имеющиеся ресурсы на существующих фрагментах сети и обеспечивать высокую балансировку нагрузки. Используемая модель принимает интеллектуальное решение и выбирает наиболее подходящий фрагмент сети
Ключевые слова: фрагментации сети (Network Slicing - NS), ключевые показатели эффективности (Key Performance Indicators - KPIs), глубокое обучение, нормализация, программно-определяемые сети (Software-Defined Networking - SDN)
Введение
Сегодня беспроводная мобильная связь стала важной частью повседневной жизни. Экспоненциальный рост числа мобильных устройств, катализатором которого выступают новые услуги и приложения, требует тесной интеграции множества технологий. Требования к пропускной способности и пропускной способности сети также растут с каждым днем. Однако для гетерогенных беспроводных сетей бесперебойная работа и управление являются важнейшей частью и многие поставщики услуг изо всех сил стараются оправдать ожидания потребителей.
Сеть 5G является расширением сети LTE, которая меняет мобильную индустрию, позволяя предоставлять новые услуги, коммерческие возможности. 5G - мультисервисная сеть с множеством видов деятельности для создания богатого мобильного опыта в области развлечений, иммерсивного опыта, высокоскоростной мобильной связи и дополненной реальности.
Для уменьшения средней сетевой задержки многопутевая маршрутизация может использоваться в сочетании с транспортным шифрованием. Транспортный протокол реального
© Ле Ань Т., Во Минь Т.Л., Данешманд Б., 2022
времени (Real-time Transport Protocol - RTP) может быть использован в сочетании с протоколом резервирования ресурсов (Resource Reservation Protocol - RSVP) для уменьшения задержки передачи при многопутевой маршрутизации без необходимости подтверждения доставки и повторной передачи. Протокол резервирования ресурсов (Resource Reservation Protocol - RSVP) позволяет резервировать сетевые ресурсы для обеспечения требуемого качества передачи данных в реальном времени через транспортный протокол реального времени (Real-time Transport Protocol - RTP) [1, 2]. С помощью многопутевой маршрутизации можно еще больше повысить вероятность своевременной доставки пакетов и обеспечить непрерывность вычислений в реальном времени при наличии резервных каналов связи [3-6].
Целью исследования является проведение фрагментации сети для оптимизации выбора подходящего сетевого фрагмента для устройства или услуги.
Задачей исследования является использование машинного обучения (Machine learning -ML) и глубокого обучения (deep learning - DL) для выбора и оптимизации распределения фрагментов сети для устройства или услуги. Также необходимо проанализировать общий трафик сети и спрогнозировать будущий тра-
фик сети, позволяя фрагментировать сети для наиболее подходящего устройства [7].
Глубокое обучение - это тип машинного обучения, в котором используется ряд алгоритмов для создания высоко абстрактных моделей данных путем объединения многочисленных слоев обработки со сложными структурами или включения множества нелинейных преобразований (рис. 1).
Исследования в этой области направлены на улучшение представлений и разработку алгоритмов для их изучения на основе огромного количества немаркированных данных. Некоторые представления основаны на интерпретации моделей обработки и передачи информации в неврологической системе, таких как нейронное
Deep Learning
кодирование, чтобы попытаться понять связи между отдельными входами и соответствующими нейронными реакциями в мозге, и вдохновлены прорывами в нейронауке. Компьютерное зрение, автоматическое распознавание голоса, обработка естественного языка, распознавание звуков речи и биоинформатика - все они извлекли пользу из архитектур глубокого обучения, таких как сверточной нейронной сети (convolution neural network - CNN) и долговременной краткосрочной памяти (long short term memory - LSTM) и так далее. Было установлено, что они дают отличные результаты при решении нескольких исследовательских задач.
Neural Network
'Input Layer Q Hidden Layer # Output Layer Рис. 1. Модель глубокого обучения [8]
Известно множество работ, посвященных исследованиям мобильных сетей, в том числе исследование Ericsson, в котором спрогнозирован будущий рост мобильных устройств, подключение к сети 5G и общий спрос на данные [9]. Авторы работы [10] рассматривают динамические ресурсы в многоуровневой многодоменной сети, работающей с различными сетевыми компонентами. Проблема присвоения формулируется как многодоменная задача смещения с максимальной оптимизацией полезности, предлагается многоуровневая многодоменная игра по подбору пользователей на фрагментации и многодоменная многопользовательская игра с обратным ходом.
В [11] предлагается архитектура ядра сети 5G, основанная на программно-определяемой сети (Software-Defined Networking - SDN), которая призвана обеспечить гибкость и простоту управления сетью.
Кроме того, использование SDN позволяет сделать сетевого провайдера независимым от провайдера. В статье предложен сетевой симу-лятор, построенный для оценки производительности архитектуры с точки зрения сквозной за-
держки, пропускной способности и использования ресурсов контроллера при различных сетевых факторах. В работе [12] авторы предлагают гибридную модель глубокого обучения, состоящую из сверточной нейронной сети (convolution neural network - CNN) и долговременной краткосрочной памяти (long short term memory -LSTM), для распределения ресурсов, реконфигурации сети, выбора фрагментов и балансировки нагрузки.
В данной работе представлен новый подход, основанный на виртуализации сетевых функций (Network Function Virtualization - NFV) и программно-определяемой сети SDN (Software-Defined Networking - SDN), управляемых стратегиями постановки в очередь. В статье предлагается комплексное решение для оценки с использованием реального трафика в физической тестовой среде. Оно использовано для проверки производительности и демонстрации таких функций, как динамическое распределение скорости передачи данных [13]. Авторы работы [14] исследовали систему приоритезации сетевого трафика для умных городов с использованием техники управления приоритетами SDN. В [15]
предлагается коммуникационное решение на основе сетевого фрагмента для автомобильных сетей. В работе сформулирован алгоритм кластеризации и фрагментации сети для разделения транспортных средств на различные кластеры и распределения фрагмента в каждом кластере.
Фрагментация обслуживает свои кластерные автомобили с помощью высококачественных каналов связи между автомобилями (vehicle to vehicle - V2V) и передает информацию о безопасности с низкой задержкой. В статье [16] авторы решают проблему фрагментации сети радиодоступа (Radio Access Network - RAN) для связи 5G между автомобилями и представляют метод мягкой фрагментации для безмодельного оппортунистического управления фрагментов. Результаты показывают, что предложенная схема улучшает эффективность выборки и превосходит традиционный метод и метод обучения с подкреплением. Идентификатор класса качества обслуживания и стандарты безопасности, связанные с обслуживанием, требуемые в [17], используются для идентификации и определения виртуализированной сети или участков виртуализированной сети. Taewhan начал работу над фрагментацией и рассмотрел вопросы стандартизации фрагментации, выбора фрагментов, определения независимых от фрагментации функций и, наконец, предложил архитектуру фрагментации плюс управление радиоресурсами [18].
Авторы [19] сформулировали оптимизационную модель смешанного целочисленного линейного программирования, которая обеспечивает оптимальное по стоимости развертывание сетевых фрагментов, позволяя оператору мобильной сети эффективно распределять ресурсы нижележащего уровня в соответствии с требованиями пользователей. Предлагаемое решение обеспечивает требуемую задержку и
пропускную способность, а также эффективно управляет работой нижележащих узлов, что приводит к снижению затрат. В [20] предлагается метод многоканальной передачи данных на основе вероятности затухания, который наилучшим образом отражает пользовательский опыт, поскольку время затухания больше всего влияет на качество и успешность исходного кода, а канал основан на минимальных значениях.
Когда несколько запросов на обслуживание отправляются несколькими устройствами, особенно одним и тем же устройством, возникает вопрос, какие устройства и соединения должны быть назначены каждому конкретному фрагменту сети. Решение этой проблемы заключается в использовании глубокого обучения для принятия быстрых, гибких, точных и обоснованных решений, а также распределения нагрузки на фрагменты сети с помощью нейронных сетей машинного обучения и глубокого обучения.
1. Анализ и обработка данных 1.1. Анализ данных
Есть в общей сложности 63168 входных данных. Каждые данные соответствуют 1 устройству, включая 7 входов и 1 выход [21].
Анализируем каждый столбец данных, смотрим максимальное/минимальное значение, начиная с которого можно обрабатывать данные.
Тип варианта использования (вход 1)
Данные распределены между 1 и 8, что соответствует следующим фактическим значениям: (1): Смартфон; (2): 1оТ-устройства; (3): Умный транспорт; (4): Индустрия 4.0; (5): AR / УБ / Игра; (6): Здравоохранение; (7): Общественная безопасность; (8): Умный город / дом (рис. 2).
Рис. 2. Количество устройств каждого типа в наборе данных
Больше всего источников данных из-за их популярности и распространенности, и на них приходится 42,55%, причина в том, что сейчас почти 6,4 миллиарда человек владеют смартфонами, в результате чего наибольшая доля вводимых данных приходится на смартфоны [22]; на здравоохранение, Интернет вещей (1оТ-устройства), умный транспорт приходится самый низкий показатель - 5,85%, потому что они еще не популярны в повседневной жизни; на Индустрию 4.0 и Умный город / Дом приходится 11,70%; на Виртуальную реальность / Игры приходится 10,63%.
Поддерживаемые технологии (вход 2) Данные состоят только из 1 и 2, что соответствует фактическому значению: (1): LTE/5G.
Фундаментальное различие между LTE и 5G заключается в использовании спектра. Регулирующие органы стремятся повторно использовать спектр от других видов использования для увеличения пропускной способности мобильных сетей; (2): IoT (LTE-M, NB-IoT) - LTE-M и NB-IoT - это урезанные версии обычного LTE, целью которых является низкая стоимость, улучшенное покрытие (в помещениях) и лучшее время автономной работы (рис. 3).
Number of devices distributed in supported technologies
m
IoT [LTE M. NB-IoT) LTE.'SG
bu о ported te; h г о log i es
Рис. 3. Количество устройств, распределенных по поддерживаемым технологиям
Видно, что коэффициент распределения двух типов соединений, LTE/5G и 1оТ (ЦГЕ-М, NB-IoT), относительно равномерный, из чего можно сказать, что это хорошее поле.
День (Вход 3)
Данные от 1 до 7, нумерация соответствует дням недели: (1): Понедельник; (2): Вторник; (3): Среда; (4): Четверг; (5): Пятница; (6): Суббота; (7): Воскресенье.
Входные данные, распределенные по дням недели, одинаковы.
Время (Вход 4)
Данные от 0 до 23, что соответствует 24 часам в 1 сутках. Входные данные, распределенные по часам суток, одинаковы.
GBR (Вход 5)
GBR означает гарантированный битрейт, что пользовательскому оборудованию гарантируется установленная скорость передачи данных на предъявителя. Данные состоят только из 1 и 2, соответствующих фактическому значению: (1): GBR; (2): не - GBR (рис. 4).
Рис. 4. Ввод данных, распределенный на GBR и не^ВБ
Коэффициент потери пакетов (надежность) (вход 6)
Надежность пути коммуникационной сети выражается показателем потери пакетов. Эта метрика равна количеству неполученных пакетов, деленному на общее количество отправлен-
ных пакетов. В полученные данные включены 3 значения. Данные от 1 до 3, пронумерованные, соответствуют следующим значениям: (1): 0.000001; (2): 0.001; (3): 0.01 (рис. 5).
Рис. 5. Входные данные, соответствующие скорости потери пакетов
Имеется 28224 входных данных с высокой надежностью 0,01; 17136 имеют доверительный уровень 0,001; 17808 имеют доверительный уровень 0,000001.
Задержки пакета (задержка) (вход 7)
Пронумерованные параметры задержки соответствуют следующим значениям: (1): 10 мс; (2): 50 мс; (3): 60 мс; (4): 75 мс; (5): 100 мс; (6): 150 мс; (7): 300 мс (рис. 6).
В полученные данные включены только 7 значений.
Рис. 6. Входные данные, соответствующие задержке пакетов
Большой объем входных данных имеет задержку в 10 мс, 50 мс, 100 мс, так как смартфон принимает наибольшее количество входных данных, при задержках в 150 мс, 60 мс, 75 мс.
Тип фрагмента (Выход)
Пронумерованные фрагменты соответствуют следующим значениям:
• eMBB - Расширенный мобильный широкополосный доступ (enhanced Mobile Broadband). Аналогично как сети 4G, но его скорость выше, а емкость больше. eMBB поддерживает быстрый рост числа потребительских устройств и смягчает ожидаемое насыщение сетей 4G.
• URLLC - Сверхнадежная связь с низкой задержкой (Ultra Reliable, Low-Latency Communications). URLLC отвечает требованиям вертикальных сегментов рынка, таких как промыш-
ленный, медицинский, транспортный и авиационный, с высокими требованиями к низкой задержке и высокой надежности. Эти новые сценарии использования приходят от заинтересованных сторон, не относящихся к традиционному миру телекоммуникаций, таких как автомобилестроение и энергетика.
• mMTC - Массовая связь машинного типа (Massive Machine-Type Communications). mMTC поддерживает большое количество взаимосвязанных объектов. Не требует высокой скорости передачи данных или низкой задержки. Эти взаимосвязанные объекты предъявляют другие высокие требования, такие как чрезвычайно длительное время автономной работы, малая занимаемая площадь и простота, необходимая для обеспечения возможности подключения практически любого типа объектов (рис. 7).
Рис. 7. Распределение входных данных на фрагменте сети
Большое количество входных данных находится в фрагменте eMBB из-за его актуальности для смартфонов, остальные данные распределены по двум фрагментам URLLC, mMTC.
1.2. Нормализация
Нормализация - это метод масштабирования, при котором значения сдвигаются и масштабируются таким образом, что в итоге они оказываются между 0 и 1.
Формула нормализации имеет вид:
= ^ ~ -^min
v^ _ v
max min
Здесь Xmax и Xmin - это максимальное и минимальное значения объекта.
- Когда значение X является наименьшим значением в столбце, числитель будет равен 0, и таким образом X' будет 0;
- С другой стороны, когда значение X является наибольшим значением в столбце, числитель равен знаменателю, и поэтому значение X ' равно 1;
- Если значение X находится между минимальным и максимальным значением, значение X ' находится между 0 и 1.
Преобразованы выходной сигнал в формат вектора one hot. One-hot - это группа битов, в которой один старший бит равен 1, а все остальные младшие биты равны 0.
1.3. Модель обучения, результаты и оценка результатов
Модель включает 1 входной слой, 5 скрытых слоев и 1 выходной слой. Поскольку входные данные имеют 3 типа выхода, выходной слой будет трехмерным. Общее количество переменных, подлежащих обучению, составляет 2059. Функции активации включают ReLU, Tanh и последний слой - Softmax.
После запуска модели получена точность 79,87% (рис. 8).
Рис. 8. Обучение и валидация функции потери и точности
Из рис. 8 видно, что эти два графика показывают именно то, что ожидалось от обучающей модели, точность увеличивается, а функции потери уменьшаются, что свидетельствует об оптимизации сгенерированной модели.
Заключение
В статье обработаны входные данные устройства, услуги.
Построена модель обучения для проведения фрагментирования сети.
Проведено фрагментирование сети, в результате чего оптимизированы и выбраны подходящие сетевые фрагменты для устройства и услуги с помощью метода машинного обучения и глубокого обучения.
Литература
1. Zurawski R. RTP, RTCP and RTSP protocols // The industrial information technology handbook CRC Press. 2004. P. 28—70. ISBN 9780849319
2. Perkins C. RTP— Addison. Wesley, 2003. P. 414. ISBN 9780672322495.
3. Bogatyrev V.A., Bogatyrev A.V., Bogatyrev S.V. The probability of timeliness of a fully connected exchange in a redundant real-time communication system// Wave Electronics and its Application in Information and Telecommuni-
cation Systems (WECONF 2020). 2020. № Access mode: https://ieeexplore.ieee.org/document/9131517. D0i:10.1109/WEC0NF48837.2020.9131517.
4. Богатырев В.А. Информационные системы и технологии. Теория надежности: учеб. пособие для вузов. М.: Издательство Юрайт, 2016. 318 с.
5. Bogatyrev V.A., Bogatyrev A.V., Bogatyrev S.V. Redundant Servicing of a Flow of Heterogeneous Requests Critical to the Total Waiting Time During the Multi-path Passage of a Sequence of Info-Communication Nodes// Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioin-formatics). 2020. Vol. 12563. pp. 100-112. DOI 10.1007/978-3-030-66471-89.
6. Bogatyrev V.A., Bogatyrev S.V., Bogatyrev A.V. Redundant multi-path service of a flow heterogeneous in delay criticality with defined node passage paths// Journal of Physics Conference Series. 2021. Vol. 1864. 012094. No. 1. pp. 012094. DOI 10.1088/1742-6596/1864/1/012094.
7. Ian Goodfellow, Yoshua Bengio and Aaron Cour-ville. Deep learning// The MIT Press. 2016. 800 p. ISBN: 0262035618.
8. https://www. nimaia. it/intelligenza-artificiale. php
9. [online] Available: https://www.ericsson.com/assets/local/mobility-report/documents/2018/ericsson-mobility-report-november-2018.pdf.
10. Sunday O. Oladejo, Stephen O. Ekwe, Lateef A. Akinyemi. Multi-Tier Multi-Domain Network Slicing: A Resource Allocation Perspective. 2021. P.1-6. 10.1109/AFRIœN51333.2021.9570854.
11. A. Abdulghaffar, A. Mahmoud, M. Abu-Amara, and T. Sheltami, "Modeling and Evaluation of Software Defined Networking Based 5G Core Network Architecture," in IEEE Access, vol. 9, pp. 10179-10198, 2021, doi: 10.1109/ACCESS.2021.3049945.
12. Highly Accurate and Reliable Wireless Network Slicing in 5th Generation Networks: A Hybrid Deep Learning Approach/ S. Khan, S. Khan, Y. Ali et al. //J Netw Syst Manage 30, 29 (2022). https://doi.org/10.1007/s10922-021-09636-2
13. Network Slicing for Critical Communications in Shared 5G Infrastructures - An Empirical Evaluation/ Kurtz, Fabian et al. // 2018 4th IEEE Conference on Network Soft-warization and Workshops (NetSoft) (2018): 393-399.
14. Abhishek R., Zhao S. and Medhi D. SPArTaCuS: Service priority adaptiveness for emergency traffic in smart cities using software-defined networking// IEEE International Smart Cities Conference (ISC2). 2016. pp. 1-4
15. Network Slicing for Vehicular Communication/ Hamza Khan, Petri Luoto, Sumudu Samarakoon, Mehdi Bennis, Matti Latva-aho// Transactions on Emerging Telecommunications Technologies. 32. 2021. 10.1002/ETT.3652.
16. Umuralp Kaytaz, Fikret Sivrikaya, Sahin Albayrak. Hierarchical Deep Reinforcement Learning based Dynamic RAN Slicing for 5G V2X. 2021
17. Network slice selection assignment and routing within 5G Networks/ V.K. Choyi, A. Abdel-Hamid, Y. Shah, S. Ferdi and A. Brusilovsky // IEEE Conference on Standards for Communications and Networking (CSCN). 2016. pp. 1-7
18. Yoo T. Network slicing architecture for 5G network// International Conference on Information and Communication Technology Convergence (ICTC). 2016. pp. 10101014
19. Optimization model for Cross-Domain Network Slices in 5G Networks/ R. Addad, M. Bagaa, T. Taleb, D.L. Cadette Dutra and H. Flinck// IEEE Transactions on Mobile Computing.
20. Rahul Paropkari, Aklilu Gebremichail, Cory Beard. Fractional Packet Duplication and Fade Duration Outage Probability Analysis for Handover Enhancement in 5G Cellular Networks. 298-302. 2019. 10.1109/ICCNC.2019.8685530.
21. Thantharate R. Paropkari, V. Walunj and C. Beard. DeepSlice: A Deep Learning Approach towards an Efficient and Reliable Network Slicing in 5G Networks// IEEE 10th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON). 2019. pp. 0762-0767. DOI: 10.1109/UEMC0N47517.2019.8993066.
22. https://www.statista.com/statistics/330695/number-of-smartphone users-worldwide/
Поступила 27.10.2022; принята к публикации 13.12.2022 Информация об авторах
Ле Ань Ту - аспирант, факультет программной инженерии и компьютерной техники, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики (199034, Россия, Санкт-Петербург, Биржевая линия, 16), е-mail: leanhtutcdt@gmail.com
Во Минь Тхиен Лонг - студент, факультет программной инженерии и компьютерной техники, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики (199034, Россия, Санкт-Петербург, Биржевая линия, 16), е-mail: thienlongtpct@gmail.com
Бехруз Данешманд - аспирант, факультет инфокоммуникационных технологий, Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики (199034, Россия, Санкт-Петербург, Биржевая линия, 16), е-mail: daneshmandbehrooz@gmail.com
THE RATIONALE FOR NETWORK SLICING USING DEEP LEARNING IN WIRELESS NETWORKS (5G/LTE)
T. Le Anh, T.L. Vo Minh, B. Daneshmand
Saint Petersburg State University of Information Technologies, Mechanics, and Optics (ITMO University), St. Petersburg, Russia
Abstract: now and in the future, 5G mobile networks, mobile communications and wireless networks must meet the standards of low latency, high reliability, increased capacity, greater security and fast user connection. Mobile operators are
constantly looking for solutions that allow multiple independent subscribers to operate on the same 5G network. One such solution is the use of Network Slicing (NS) technology to allocate finite network resources on the same physical infrastructure. Data-driven decision making is critical for future communications networks due to the exploding traffic growth. To effectively manage the distribution of network resources and network availability, machine and deep learning in the network was used. We used key performance indicators (Key Performance Indicators - KPIs) to analyze incoming traffic and predict fragments of network resources for the distribution of unknown devices. Intelligent resource allocation allows you to effectively use the available resources on existing network fragments and provide high load balancing. The model used makes an intelligent decision and selects the most appropriate network fragment
Key words: Network Slicing (NS), Key Performance Indicators (KPIs), deep learning, normalization, Software-Defined Networking (SDN)
References
1. Zurawski R. "RTP, RTCP and RTSP protocols", The industrial information technology handbook, CRC Press, 2004, pp. 28—70. ISBN 9780849319
2. Perkins C. "RTP— Addison", Wesley, 2003, 414 p. ISBN 9780672322495.
3. Bogatyrev V.A., Bogatyrev A.V., Bogatyrev S.V. "The probability of timeliness of a fully connected exchange in a redundant real-time communication system", Wave Electronics and its Application in Information and Tele-communication Systems (WE-CONF2020), 2020, available at: https://ieeexplore.ieee.org/document/9131517. Doi:10.1109/WEœNF48837.2020.9131517.
4. Bogatyrev V.A. "Information systems and technologies. Reliability theory" ("Informatsionnye sistemy i tekhnologii. Teor-iya nadezhnosti"), textbook, Moscow: Yurait, 2016, 318 p.
5. Bogatyrev V.A., Bogatyrev A.V., Bogatyrev S.V. "Redundant servicing of a flow of heterogeneous requests critical to the total waiting time during the multi-path passage of a sequence of info-communication nodes", Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2020, vol. 12563, pp. 100-112. DOI 10.1007/978-3-030-66471-89.
6. Bogatyrev V.A., Bogatyrev S.V., Bogatyrev A.V. "Redundant multi-path service of a flow heterogeneous in delay criticali-ty with defined node passage paths", Journal of Physics. Conference Series, 2021, vol. 1864, no. 1, pp. 012094. DOI 10.1088/17426596/1864/1/012094.
7. Goodfellow I., Bengio Y., Courville A. "Deep learning", The MIT Press, 2016, 800 p., ISBN: 0262035618.
8. https://www. nimaia. it/intelligenza-artificiale. php
9. https://www.ericsson.com/assets/local/mobility-report/documents/2018/ericsson-mobility-report-november-2018.pdf.
10. Oladejo S.O., Ekwe S.O., Akinyemi L.A. "Multi-tier multi-domain network slicing: a resource allocation perspective" 2021, no. 1-6, 10.1109/AFRIC0N51333.2021.9570854.
11. Abdulghaffar A., Mahmoud A., Abu-Amara M., Sheltami T. "Modeling and evaluation of software defined networking based 5G core network architecture", IEEE Access, 2021, vol. 9, pp. 10179-10198. DOI: 10.1109/ACCESS.2021.3049945.
12. Khan S., Khan S., Ali Y. et al. "Highly accurate and reliable wireless network slicing in 5th generation networks: a hybrid deep learning approach", JNetw SystManage 30, 2022, no. 29, available at: https://doi.org/10.1007/s10922-021-09636-2
13. Kurtz F. et al. "network slicing for critical communications in shared 5G infrastructures - an empirical evaluation", 2018 4th IEEE Conference on NetworkSoftwarization and Workshops (NetSoft), 2018, pp. 393-399.
14. Abhishek R., Zhao S., Medhi D. "SPArTaCuS: Service priority adaptiveness for emergency traffic in smart cities using software-defined networking", IEEE Interna-tional Smart Cities Conference (ISC2), 2016, pp. 1-4
15. Hamza Khan, Petri Luoto, Sumudu Samarakoon, Mehdi Bennis, Matti Latva-aho "Network slicing for vehicular communication", Transactions on Emerging Tele-communications Technologies, 2021, no. 32, 10.1002/ETT.3652.
16. Umuralp Kaytaz, Fikret Sivrikaya, Sahin Albay-rak "Hierarchical deep reinforcement learning based dynamic RAN slicing for 5G V2X", 2021
17. Choyi V.K., Abdel-Hamid A., Shah Y., Ferdi S., Brusilovsky A. "Network slice selection assignment and routing within 5G Networks", IEEE Conference on Standards for Communications and Networking (CSCN), 2016, pp. 1-7
18. Yoo T. "Network slicing architecture for 5G network", International Conference on Information and Communication Technology Convergence (ICTC), 2016, pp. 1010-1014
19. Addad R., Bagaa M., Taleb T., Cadette Dutra D.L., Flinck H. "Optimization model for cross-domain network slices in 5G networks", IEEE Transactions on Mobile Computing.
20. Rahul Paropkari, Aklilu Gebremichail, Cory Beard "Fractional packet duplication and fade duration outage probability analysis for handover enhancement in 5G cellular networks", 2019, pp. 298-302, 10.1109/ICCNC.2019.8685530.
21. Thantharate R. Paropkari, Walunj V., Beard C. "DeepSlice: A deep learning approach towards an efficient and reliable network slicing in 5G networks", IEEE 10th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), 2019, pp. 0762-0767. DOI: 10.1109/UEMCON47517.2019.8993066.
22. https://www.statista.com/statistics/330695/number-of-smartphone users-worldwide/
Submitted 27.10.2022; revised 13.12.2022 Information about the authors
Le Anh Tu, graduate student, St. Petersburg National Research University of Information Technologies, Mechanics and Optics (16 Birzhevaya lane, St. Petersburg 199034, Russia), e-mail: leanhtutcdt@gmail.com
Vo Minh Thien Long, student, St. Petersburg National Research University of Information Technologies, Mechanics and Optics (16 Birzhevaya lane, St. Petersburg 199034, Russia), e-mail: thienlongtpct@gmail.com
Behrooz Daneshmand, graduate student, St. Petersburg National Research University of Information Technologies, Mechanics and Optics (16 Birzhevaya lane, St. Petersburg 199034, Russia), e-mail: daneshmandbehrooz@gmail.com
