In this paper, we address the issue of resource provisioning as an enabler for end-to-end dynamic slicing in software defined networking/network function virtualization (SDN/NFV)-based fifth generation (5G) networks. The different slices’ tenants (i.e. logical operators) are dynamically allocated isolated portions of physical resource blocks (PRBs), baseband processing resources, backhaul capacity as well as data forwarding elements (DFE) and SDN controller connections. By invoking massive key performance indicators (KPIs) datasets stemming from a live cellular network endowed with traffic probes, we first introduce a low-complexity slices’ traffics predictor based on a soft gated recurrent unit (GRU). We then build—at each virtual network function—joint multi-slice deep neural networks (DNNs) and train them to estimate the required resources based on the traffic per slice, while not violating two service level agreement (SLA), namely, violation rate-based SLA and resource bounds-based SLA. This is achieved by integrating dataset-dependent generalized non-convex constraints into the DNN offline optimization tasks that are solved via a non-zero sum two-player game strategy. In this respect, we highlight the role of the underlying hyperparameters in the trade-off between overprovisioning and slices’ isolation. Finally, using reliability theory, we provide a closed-form analysis for the lower bound of the so-called reliable convergence probability and showcase the effect of the violation rate on it.

中文翻译：

---

面向 5G 网络的离线 SLA 约束深度学习 可靠且动态的端到端切片

在本文中，我们解决了在基于软件定义网络/网络功能虚拟化 (SDN/NFV) 的第五代 (5G) 网络中，资源供应作为端到端动态切片的推动因素的问题。不同切片的租户（即逻辑运营商）被动态分配物理资源块 (PRB)、基带处理资源、回程容量以及数据转发元件 (DFE) 和 SDN 控制器连接的隔离部分。通过调用源自具有流量探测功能的实时蜂窝网络的大量关键性能指标 (KPI) 数据集，我们首先引入了一个基于软门控循环单元 (GRU) 的低复杂度切片的流量预测器。然后，我们在每个虚拟网络功能上构建联合多切片深度神经网络 (DNN) 并训练它们根据每个切片的流量估计所需资源，同时不违反两个服务级别协议 (SLA)，即违规率基于 SLA 和基于资源边界的 SLA。这是通过将依赖于数据集的广义非凸约束集成到 DNN 离线优化任务中来实现的，这些任务通过非零和两人游戏策略解决。在这方面，我们强调了底层超参数在过度配置和切片隔离之间的权衡中的作用。最后，使用可靠性理论，我们对所谓的可靠收敛概率的下界进行了封闭式分析，并展示了违规率对其的影响。同时不违反两个服务水平协议（SLA），即基于违反率的SLA和基于资源边界的SLA。这是通过将依赖于数据集的广义非凸约束集成到 DNN 离线优化任务中来实现的，这些任务通过非零和两人游戏策略解决。在这方面，我们强调了底层超参数在过度配置和切片隔离之间的权衡中的作用。最后，使用可靠性理论，我们对所谓的可靠收敛概率的下界进行了封闭式分析，并展示了违规率对其的影响。同时不违反两个服务水平协议（SLA），即基于违反率的SLA和基于资源边界的SLA。这是通过将依赖于数据集的广义非凸约束集成到 DNN 离线优化任务中来实现的，这些任务通过非零和两人游戏策略解决。在这方面，我们强调了底层超参数在过度配置和切片隔离之间的权衡中的作用。最后，使用可靠性理论，我们对所谓的可靠收敛概率的下界进行了封闭式分析，并展示了违规率对其的影响。这是通过将依赖于数据集的广义非凸约束集成到 DNN 离线优化任务中来实现的，这些任务通过非零和两人游戏策略解决。在这方面，我们强调了底层超参数在过度配置和切片隔离之间的权衡中的作用。最后，使用可靠性理论，我们对所谓的可靠收敛概率的下界进行了封闭式分析，并展示了违规率对其的影响。这是通过将依赖于数据集的广义非凸约束集成到 DNN 离线优化任务中来实现的，这些任务通过非零和两人游戏策略解决。在这方面，我们强调了底层超参数在过度配置和切片隔离之间的权衡中的作用。最后，使用可靠性理论，我们对所谓的可靠收敛概率的下界进行了封闭式分析，并展示了违规率对其的影响。