Guest Editorial: Smart, Optimal, and Explainable Orchestration of Network Slices in 5G and Beyond Networks
Notice bibliographique
Résumé
Network slicing is a much discussed topic in fifth generation (5G) and beyond (B5G) networks. The network slice feature differentiates 5G and B5G networks from the earlier generations since it replaces the conventional concept of quality of service (QoS) with end-to-end multi-service provisioning and multi-tenancy. A diverse set of resources for computing, networking, storage, and power need to be smartly assigned in network slices. Traditional optimization/resource scheduling techniques are typically one-dimensional and may not scale well in large-scale 5G/B5G networks. Therefore, there is a pressing need to smartly address the orchestration and management of network slices. Since beyond 5G networks will heavily use embedded intelligence, how to leverage AI-based techniques, such as machine learning, deep learning, and reinforcement learning, to address and solve the various complex network slicing problems is emerging as a challenging problem. The Guest Editors worked hard to reach out to researchers from academia and industry to address these points in this Special Issue in search of a genuinely intelligent B5G network rollout that could be both smart and practical.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,010 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,009 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».