Privacy-Preserving Intelligent Intent-Based Network Slicing for IoT Systems
Notice bibliographique
Résumé
The proliferation of Internet of Things (IoT) services across diverse sectors such as healthcare, industrial IoT, and smart cities has introduced unprecedented complexity in network Management and Orchestration (MO). Contemporary MO systems are challenged to support the coexistence of IoT services with varying Quality of Service (QoS) requirements while ensuring end-to-end (E2E) performance across heterogeneous technologies and multi-administrator domain networks. To address these requirements, emerging technologies such as Intelligent Intent-Based Network Slicing (I-IBNS) systems are increasingly employed, leveraging advancements in network automation, Artificial Intelligence (AI), and Network Slicing (NS). This paper focuses on three critical challenges in developing I-IBNS systems for IoT: E2E resource allocation, privacy preservation in multi-administrator systems, and E2E QoS assurance across heterogeneous networks and time-varying traffic. We propose a privacy-preserving I-IBNS framework, named Harmony Slice Master (H-SliceMaster), which integrates a knowledge management framework for privacy-aware data aggregation, an intent propagation mechanism for translating high-level intents into network configurations, and a novel Promise and Price Network Operation (PPNO) principle for optimizing E2E resource allocation while maintaining intra-domain privacy. A proof-of-concept design of the H-SliceMaster is presented, utilizing Deep Q-Networks (DQN) for intra-domain resource allocation and a centralized algorithm for optimizing E2E network slice deployment. Simulation results demonstrate that the H-SliceMaster efficiently satisfies various IoT applications and delay requirements. Moreover, the proposed system achieved an 20% and 50% reduction in system costs compared to a Branching Dueling Q-Network (BDQ) and greedy algorithm, respectively.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».