Toward Intelligent Intent-Based Network Slicing for IoT Systems: Enabling Technologies, Challenges, and Vision
Notice bibliographique
Résumé
The rapid integration of intelligence and automation into future Internet of Things (IoT) systems, empowered by Intent-based Networking (IBN) and Network Slicing (NS) technologies, is transforming the way novel services are envisioned and delivered. The automation capabilities of IBN depend significantly on key facilitators, including data management and resource management. A robust data management methodology is essential for leveraging large-scale data, encompassing service-specific and network-specific data, enabling IBN systems to extract insights and facilitate real-time decision-making. Another critical enabler involves deploying intent-based mechanisms within an NS system that translate and ensure user intents by mapping them to precise Management and Orchestration (MO) commands. Nevertheless, data management in IoT systems faces significant security and operational challenges due to the diverse range of services and technologies involved. Furthermore, intent-based resource management demands intelligent proactive, and adaptive MO mechanisms that can fulfill a wide range of intent requirements. Existing surveys within the field have focused on technology-specific advancements, often overlooking these challenges. In response, this paper defines Intelligent Intent-Based Network Slicing (I-IBNS) systems exemplifying the integration of intelligent IBN and NS for the MO of IoT systems. Furthermore, the paper surveys I-IBNS systems, focusing on two critical domains: resource management and data management. The resource management segment examines recent developments in IBN mechanisms within an NS system. Meanwhile, the second segment explores data management complexities within IoT networks. Moreover, the paper envisions the roles of intent, NS, and the IoT ecosystem, thereby laying the foundation for future research directions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».