Future networks will pave the way for a myriad of applications with different requirements and Wi-Fi will play an important role in local area networks. This is why network slicing is proposed by 5G networks, allowing to offer multiple logical networks tailored to the different user requirements, over a common infrastructure. However, this is not supported by current Wi-Fi networks. In this paper, we propose a standard-compliant network slicing approach for the radio access segment of Wi-Fi by defining multiple Service Set Identifiers (SSIDs) per Access Point (AP). We present two algorithms, one that assigns resources according to the requirements of slices in a static way, and another that dynamically configures the slices according to the network's conditions and relevant Key Performance Indicators (KPIs). The proposed algorithms were validated through extensive simulations, conducted in the ns-3 network simulator, and complemented by theoretical assessments. The obtained results reveal that the two proposed slicing approaches outperform today's Wi-Fi access technique, reaching lower error probability for bandwidth intensive slices and lower latency for time-critical slices. Simultaneously, the proposed approach is up to 32 times more energy efficient, when considering slices tailored for low-power and low-bandwidth devices, while increasing the overall spectrum efficiency.


翻译:未来网络将为多种不同要求的应用铺平道路,Wi-Fi将在局域网中发挥重要作用。这就是为什么5G网络提出网络切片建议,以便提供一个共同基础设施,提供符合不同用户要求的多种逻辑网络;然而,目前的Wi-Fi网络不支持这一提议。在本文中,我们提出对Wi-Fi无线电接入部分采用符合标准的网络切片办法,办法是为每个接入点确定多种服务设置识别器(SSIDs ) 。我们提出两种算法,一种根据切片的静态配置资源,另一种根据网络条件和相关的关键业绩指标动态配置切片。提议的算法通过在ns-3网络模拟器中进行的广泛模拟和以理论评估作为补充。获得的结果显示,拟议的两种剪片方法超越了今天的Wi-Fi接入技术,使带宽密集切片和低胶片的误差概率降低时间-临界切片的要求,另一种算法根据网络条件和相关关键业绩指标(KPIs)对切片进行动态配置。提议的算法通过在Ns-3网络模拟中进行广泛的模拟,并以理论评估为补充。获得的结果表明,拟议的两种计算方法比今天的无线访问技术更接近于Wi-Fi-Fi-Fi-fi接触技术,在低频段的节节节节节节节节节节节节节节节节节节节节节节节节节节节节节节节节效率,在考虑如何使低能量节节节节节节节节节节节节节节节节节节节能和低电率。

0
下载
关闭预览

相关内容

Networking:IFIP International Conferences on Networking。 Explanation:国际网络会议。 Publisher:IFIP。 SIT: http://dblp.uni-trier.de/db/conf/networking/index.html
神经网络的拓扑结构,TOPOLOGY OF DEEP NEURAL NETWORKS
专知会员服务
31+阅读 · 2020年4月15日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
内涵网络嵌入:Content-rich Network Embedding
我爱读PAMI
4+阅读 · 2019年11月5日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
2018 年最棒的三篇 GAN 论文
AI科技评论
4+阅读 · 2019年1月14日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年3月24日
Arxiv
0+阅读 · 2021年3月22日
Arxiv
0+阅读 · 2021年3月19日
Memory-Gated Recurrent Networks
Arxiv
12+阅读 · 2020年12月24日
Signed Graph Attention Networks
Arxiv
7+阅读 · 2019年9月5日
Arxiv
19+阅读 · 2018年6月27日
Arxiv
3+阅读 · 2017年5月14日
VIP会员
相关资讯
内涵网络嵌入:Content-rich Network Embedding
我爱读PAMI
4+阅读 · 2019年11月5日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
2018 年最棒的三篇 GAN 论文
AI科技评论
4+阅读 · 2019年1月14日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Arxiv
0+阅读 · 2021年3月24日
Arxiv
0+阅读 · 2021年3月22日
Arxiv
0+阅读 · 2021年3月19日
Memory-Gated Recurrent Networks
Arxiv
12+阅读 · 2020年12月24日
Signed Graph Attention Networks
Arxiv
7+阅读 · 2019年9月5日
Arxiv
19+阅读 · 2018年6月27日
Arxiv
3+阅读 · 2017年5月14日
Top
微信扫码咨询专知VIP会员