摘要：网络切片是基于SDN/NFV的5G网络架构实现按需组网的一种重要技术。通过分析5G主要场景,提出了SDN/NFV架构下一种基于GA-PSO优化的网络切片编排算法。该算法利用粒子群算法能够快速收敛于全局最优解的特性,设计网络切片性能的评价函数。并且利用遗传算法快速随机搜索的能力,实现对网络切片的更新和优化,利用粒子群追逐局部最优解与全局最优解得到最优网络切片。仿真实验结果表明,该算法能够实现对多业务场景网络切片的个性化创建,充分发挥SDN的集中控制方式的优点,在降低网络能耗的同时,提高网络资源利用率。

摘要：提出了一种基于两级特征压缩反向传播(Back Propagation,BP)神经网络的无线网络性能预测方法。针对原始网络参数特征维数过高的问题,设计了两级特征压缩。第一级压缩利用网络参数之间的数学关系进行特征简并;第二级压缩基于网络参数数据与网络性能指标数据的相关度以及网络参数数据之间的冗余度,为每个特征计算优选权重,然后,根据优选权重对特征进行排序并逐个添加至模型中训练,获得基于优选特征的预测模型。通过合理选择特征参数避免特征冗余,在保证较高的网络性能预测精度的同时,降低BP神经网络的复杂度。仿真结果表明,在不同的网络数据集下,相比于未进行特征压缩,所提方法对网络吞吐量和分组平均时延的平均预测精度可以分别提升15.4%和6.0%,平均特征数量降低约24.9%,平均模型训练时间缩短了约7.79%。