本文介绍了用于网络性能增强和管理的智能下一代自主系统,特别适用于 5G、B5G、6G 和 SDN 等网络。论文分为六个重要部分。首先,它重点关注在 6G 网络中使用智能 QoS 体设计进行 QoS 监控和供应。其次,阐述了 LSTM 和 SP-LSTM 对 6G 网络流量预测的比较分析。第三,利用 SE-DO 进行智能体优化,挖掘 6G 前沿导航。第四,论文将角色委托功能作为一种服务,以提高软件定义网络的可靠性和延迟。第五,进一步研究强化学习驱动的自适应流量路由角色授权,以提高 SDN 网络性能。最后,通过整合技术创新提高智能电网通信性能。总之,这项工作具有巨大潜力,可通过自动化、灵活性和人工智能彻底改变网络管理。

本项目的主要目标是创建和部署一个具有 ML/AI 功能的下一代智能自主网络系统,用于网络性能管理和增强。通过这样做,预计本研究将提供急需的适应性和灵活性,以满足下一代网络不断变化的需求。因此,本研究的具体目标包括以下要点:

1.为了在未来一代自主网络系统中为以提高用户服务质量为目标的系统找到更有效的实施路径,有必要研究基于智能体的服务设计方法相对于传统的基于微服务设计的相对优势。

2.本研究的最终目标是提出并开发一个自主、智能和先进的人工智能/移动语言框架,用于主动管理和动态优化路由,以确保服务质量、体验质量和用户友好性,从而大大提高下一代网络的性能提升和管理水平。这个新的测试平台展示了一种经过速度优化的 LSTM 算法。由于这种先进的算法具有闪电般的速度和预测潜在网络拥塞的能力,因此可以采取积极主动的措施来保持最佳的网络性能。

3.引入可扩展和高效的 DevOps,一种新的综合可扩展技术(SE-DO)。通过优化智能体的性能,特别是在资源受限的环境中,这种方法旨在增强系统的整体响应能力和适应能力。

4.在软件定义网络中创建新的角色委托功能,目标是减少延迟和提高可靠性。除此之外,利用人工智能和 ML 实现智能化的软件定义网络,以实现动态优化路由和主动网络管理。

5.关注技术进步,提升性能,推进智能电网连接。我们通过将理论概念与经验验证相结合,阐明了电力网络与通信网络之间的互利关系。我们还强调了快速可靠的通信对于最大限度地发挥智能电网潜力的重要性,并为这一关键领域的进一步发展奠定了基础。

6.开发合适的仿真环境,以有效评估软化网络中的 MAS 性能,并为这些系统的功效和效率提供重要见解。

7.必须正确设计、创建和实施 MAS,以便有效管理网络。根据设想,拟议的系统将在面向服务的架构中培养松散耦合的组件,为子功能注入智能,并为机器学习令人着迷的潜在应用提供有形的概要。智能流量管理解决方案尤其能显著提高网络速度、减少拥堵并改善用户体验。

8.此外,由于集成了多种 ML 和 AI 技术,系统可以利用这些预测。这可确保优化路由选择方法,并在整个网络中保持高性能水平。这项尖端技术以持续学习和适应为基础,准确模拟了 6G 网络的动态特性。这样,它就满足了对超低延迟、超高可靠性和全面异构管理的严格要求--所有这些都是这一代最先进网络的关键属性。最后一个目标反映了该研究致力于在电信技术不断发展的同时开发智能网络管理方法。

实现这些目标,除了为智能网络管理知识体系做出贡献之外,还将产生实用的框架和解决方案,为数字时代网络管理方法的发展提供指导。

成为VIP会员查看完整内容
31

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《人机协作中的透明度和通信模式》175页
专知会员服务
32+阅读 · 5月2日
《基于合作定位的多智能体协调与控制》176页
专知会员服务
51+阅读 · 3月14日
《军事指挥与控制系统的新兴网络方法综述》
专知会员服务
54+阅读 · 1月1日
最新《生成式数据增强的统一框架》综述,85页pdf
专知会员服务
60+阅读 · 2023年10月8日
【2022新书】深度学习归一化技术,117页pdf
专知
24+阅读 · 2022年11月25日
【Tutorial】计算机视觉中的Transformer,98页ppt
专知
18+阅读 · 2021年10月25日
深度多模态表示学习综述论文,22页pdf
专知
30+阅读 · 2020年6月21日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
15+阅读 · 2008年12月31日
Arxiv
158+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
404+阅读 · 2023年3月31日
Arxiv
67+阅读 · 2023年3月26日
Arxiv
144+阅读 · 2023年3月24日
Arxiv
21+阅读 · 2023年3月17日
VIP会员
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
15+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员