دسته : فناوری اطلاعات

چکیده

 انتظار می رود که نسل پنجم شبکه های تلفن همراه(5G) ارتباطات انسان به انسان و ماشین به ماشین را، با اتصال هزاران میلیارد دستگاه و رسیدن به سطوح توانمندی از پیچیدگی و حجم ترافیک پشتیبانی کند. این امر مجموعه جدیدی از چالشها برای مدیریت شبکه با توجه به تنوع و وسعت شبکه به ارمغان می آورد.

لازم است که شبکه تا حد زیادی خود را مدیریت کند و به مسائلی مانند سازماندهی، پیکربندی، امنیت، و بهینه سازی بپردازد. این مقاله یک معماری از شبکه خود مدیریت بر اساس مجازی سازی تابع شبکه را پیشنهاد می کند، که قادر به دستیابی و یا تعادل اهدافی مانند QOS بالا، مصرف انرژی پایین و کارایی عملیاتی است.

هدف اصلی معماری موتور هوشمند شناختی معرفی شده فعال کردن یادگیری ماشین است، به خصوص (نزدیک) یادگیری بلادرنگ، بدین منظور منابع بصورت پویا برای تقاضاهای ضروری توابع شبکه های مجازی تطبیق می گردند، این معماری در پروژه سال 2020CogNet ساخته شده است، که به شبکه های شناختی اشاره می کند.

1-مقدمه

تبلیغات انواع جدید دستگاه های هوشمند مانند تلفن و تبلت، تنها با پیشرفت گسترده در شبکه های ارتباطی تلفن همراه، برنامه های کاربردی جدیدی که منابع شبکه های تلفن همراه را مصرف می کنند، تولید کرده و افزایش انفجاری از ترافیک شبکه را بدنبال دارند. در همین حال، انتظار می رود که ارتباطات ماشین به ماشین در آینده جهت تکمیل ارتباطات انسان محور غالب امروزی به طور فوق العاده ای افزایش یابند. این امر منجر به تنوع بزرگی در مشخصات ارتباطات می گردد. هر دو روند مو جب افزایش تقاضاهای جدید در مقیاس پذیری شبکه خواهند شد، از جمله نرخ داده ها و تاخیر دقیق تر و قابلیت اطمینان….

Abstract

It is expected that the fifth generation mobile networks (5G) will support both human-to-human and machine-to-machine communications, connecting up to trillions of devices and reaching formidable levels of complexity and traffic volume. This brings a new set of challenges for managing the network due to the diversity and the sheer size of the network. It will be necessary for the network to largely manage itself and deal with organisation, configuration, security, and optimisation issues. This paper proposes an architecture of an autonomic self-managing network based on Network Function Virtualization, which is capable of achieving or balancing objectives such as high QoS, low energy usage and operational efficiency. The main novelty of the architecture is the Cognitive Smart Engine introduced to enable Machine Learning, particularly (near) real-time learning, in order to dynamically adapt resources to the immediate requirements of the virtual network functions, while minimizing performance degradations to fulfill SLA requirements. This architecture is built within the CogNet European Horizon 2020 project, which refers to Cognitive Networks

ادامه مطلب دانلود