Network slicing is predetermined to hold up the diversity of emerging applications with enhanced performance and flexibility requirements in the way of splitting the physical network into numerous logical networks. Consequently, a tremendous data count has been generated with an enormous number of mobile phones due to these applications. This has made remarkable challenges and has a considerable influence on the network slicing performance. This work aims to design an efficient network slicing using a hybrid learning algorithm. Thus, we proposed a model, which involves three main phases: (a) Data collection, (b) Optimal weighted feature extraction (OWFE), and (c) Slicing classification. First, we collected the 5G network slicing dataset, which involves the attributes associated with various network devices like “user device type, duration, packet loss ratio, packet delay budget, bandwidth, delay rate, speed, jitter, and modulation type.” Next, we performed the OWFE, in which a weight function is multiplied with the attribute values to have high scale variation. We optimized this weight function by the hybridization of two meta-heuristic algorithms—glowworm swarm optimization and deer hunting optimization algorithm (DHOA)—and named the proposed model glowworm swarm-based DHOA (GS-DHOA). For the given attributes, we classified the exact network slices like “eMBB, mMTC, and URLLC” for each device by a hybrid classifier using deep belief and neural networks. The weight function of both networks is optimized by the GS-DHOA. The experiment results revealed that the proposed model could influence the provision of accurate 5G network slicing.

预先确定了网络切片，以将物理网络拆分为多个逻辑网络的方式来满足新兴应用程序的多样性，并具有增强的性能和灵活性要求。因此，由于这些应用，已经用大量的移动电话产生了大量的数据计数。这带来了巨大的挑战，并且对网络切片性能产生了很大影响。这项工作旨在使用混合学习算法设计有效的网络切片。因此，我们提出了一个模型，该模型涉及三个主要阶段：（a）数据收集，（b）最佳加权特征提取（OWFE）和（c）切片分类。首先，我们收集了5G网络切片数据集，其中涉及与各种网络设备相关的属性，例如“用户设备类型，时长，丢包率，包延迟预算，带宽，延迟率，速度，抖动和调制类型。” 接下来，我们执行了OWFE，其中将权重函数与属性值相乘以具有高比例变化。我们通过将两种元启发式算法（萤火虫群优化和鹿狩猎优化算法（DHOA））进行混合来优化此权重函数，并将其命名为拟议的基于萤火虫群的DHOA模型（GS-DHOA）。对于给定的属性，我们通过混合分类器使用深层信念和神经网络对每个设备的确切网络切片进行了分类，例如“ eMBB，mMTC和URLLC”。GS-DHOA优化了两个网络的权重功能。实验结果表明，该模型可能会影响准确的5G网络切片的提供。延迟率，速度，抖动和调制类型。” 接下来，我们执行了OWFE，其中将权重函数与属性值相乘以具有高比例变化。我们通过将两种元启发式算法（萤火虫群优化和鹿狩猎优化算法（DHOA））进行混合来优化此权重函数，并将其命名为拟议的基于萤火虫群的DHOA模型（GS-DHOA）。对于给定的属性，我们通过混合分类器使用深层信念和神经网络对每个设备的确切网络切片进行了分类，例如“ eMBB，mMTC和URLLC”。GS-DHOA优化了两个网络的权重功能。实验结果表明，该模型可能会影响准确的5G网络切片的提供。延迟率，速度，抖动和调制类型。” 接下来，我们执行了OWFE，其中将权重函数与属性值相乘以具有高比例变化。我们通过将两种元启发式算法（萤火虫群优化和鹿狩猎优化算法（DHOA））进行混合来优化此权重函数，并将其命名为拟议的基于萤火虫群的DHOA模型（GS-DHOA）。对于给定的属性，我们通过混合分类器使用深层信念和神经网络对每个设备的确切网络切片进行了分类，例如“ eMBB，mMTC和URLLC”。GS-DHOA优化了两个网络的权重功能。实验结果表明，该模型可能会影响准确的5G网络切片的提供。其中权重函数与属性值相乘以具有高比例变化。我们通过将两种元启发式算法（萤火虫群优化和鹿狩猎优化算法（DHOA））进行混合来优化此权重函数，并将其命名为拟议的基于萤火虫群的DHOA模型（GS-DHOA）。对于给定的属性，我们通过混合分类器使用深层信念和神经网络对每个设备的确切网络切片进行了分类，例如“ eMBB，mMTC和URLLC”。GS-DHOA优化了两个网络的权重功能。实验结果表明，该模型可能会影响准确的5G网络切片的提供。其中权重函数与属性值相乘以具有高比例变化。我们通过两种萤火虫群优化和猎鹿优化算法（DHOA）的元启发式算法的混合来优化此权重函数，并将其命名为拟议的基于萤火虫群的模型DHOA（GS-DHOA）。对于给定的属性，我们通过混合分类器使用深层信念和神经网络对每个设备的确切网络切片进行了分类，例如“ eMBB，mMTC和URLLC”。GS-DHOA优化了两个网络的权重功能。实验结果表明，该模型可能会影响准确的5G网络切片的提供。我们通过两种萤火虫群优化和猎鹿优化算法（DHOA）的元启发式算法的混合来优化此权重函数，并将其命名为拟议的基于萤火虫群的模型DHOA（GS-DHOA）。对于给定的属性，我们通过混合分类器使用深层信念和神经网络对每个设备的确切网络切片进行了分类，例如“ eMBB，mMTC和URLLC”。GS-DHOA优化了两个网络的权重功能。实验结果表明，该模型可能会影响准确的5G网络切片的提供。我们通过两种萤火虫群优化和猎鹿优化算法（DHOA）的元启发式算法的混合来优化此权重函数，并将其命名为拟议的基于萤火虫群的模型DHOA（GS-DHOA）。对于给定的属性，我们通过混合分类器使用深层信念和神经网络对每个设备的确切网络切片进行了分类，例如“ eMBB，mMTC和URLLC”。GS-DHOA优化了两个网络的权重功能。实验结果表明，该模型可能会影响准确的5G网络切片的提供。和URLLC”由混合分类器使用深度置信和神经网络对每个设备进行分类。GS-DHOA优化了两个网络的权重功能。实验结果表明，该模型可能会影响准确的5G网络切片的提供。和URLLC”由混合分类器使用深度置信和神经网络对每个设备进行分类。GS-DHOA优化了两个网络的权重功能。实验结果表明，该模型可能会影响准确的5G网络切片的提供。