王威麗 何小強 唐倫

摘要：認為未來的5G蜂窩網(wǎng)絡需要滿足大量服務和應用的不同需求。隨著網(wǎng)絡配置復雜性的提高及新型業(yè)務的不斷涌現(xiàn)，5G網(wǎng)絡的標準化進程亟需新的技術(shù)支撐。通過對5G網(wǎng)絡新特征的分析，將人工智能與5G網(wǎng)絡相結(jié)合，設計了一種智能化5G網(wǎng)絡框架，該框架由環(huán)境艙、智能中心及網(wǎng)絡策略3部分組成。同時，歸納了當前人工智能技術(shù)在業(yè)務預測、網(wǎng)絡切片、無線資源分配以及資源共享領域的應用，并總結(jié)了實現(xiàn)智能化5G網(wǎng)絡的機遇和挑戰(zhàn)。

關(guān)鍵詞： 5G蜂窩網(wǎng)絡；人工智能；新特征；智能化框架

Abstract： The future 5G cellular network is required to support a large number of services and applications. With the increasing complexity of network configuration and the continuous emergence of new-type services， the standardization process of 5G networks urgently calls for new technical support. Based on the new features of 5G network， an intelligent 5G framework is designed by combining artificial intelligence with 5G network. This framework is composed of three parts： environment capsule， intelligent center and network strategy. Then， the current applications of artificial intelligence technology in traffic forecasting， network slicing， wireless resource allocation and resource sharing are summarizes. Finally， the opportunities and challenges of realizing intelligent 5G networks are summarized.

Key words： 5G cellular networks； artificial intelligence； fresh features； intelligent framework

1 智能化5G蜂窩網(wǎng)絡

第5代移動通信（5G）網(wǎng)絡采用了復雜的無線傳輸技術(shù)和無線網(wǎng)絡架構(gòu)，5G將是融合、協(xié)同的多制式共存的異構(gòu)網(wǎng)絡。從技術(shù)上看，將存在多層、多無線接入技術(shù)的共存，導致網(wǎng)絡結(jié)構(gòu)非常復雜，各種無線接入技術(shù)內(nèi)部和各種覆蓋能力的網(wǎng)絡節(jié)點之間的關(guān)系錯綜復雜，網(wǎng)絡的部署、管理、維護將成為一個極具挑戰(zhàn)性的工作。為了降低網(wǎng)絡部署、運營維護復雜度和成本，提高網(wǎng)絡運維質(zhì)量，未來5G系統(tǒng)還須具備充分的靈活性，具有網(wǎng)絡自感知、自調(diào)整等智能化能力，以應對未來移動信息社會難以預計的快速變化。

1.1 5G網(wǎng)絡新特征

在2G時代，網(wǎng)絡中需要配置的參數(shù)為50個，到3G時代，數(shù)量增加到100個，而4G時代需要配置的參數(shù)已經(jīng)到達到1 500個。按照這個趨勢，5G時代需要配置的參數(shù)將可能會達到2 000個[1]。然而，當前4G網(wǎng)絡的管理和配置依然采用手動/半自動的方式，這種方式不僅成本高且效率低下，給5G網(wǎng)絡的性能實現(xiàn)帶來了巨大的挑戰(zhàn)。因此，為了高效地管理和配置5G網(wǎng)絡，自組織性將會成為未來5G網(wǎng)絡的重要特征。

隨著人們對通信網(wǎng)絡依賴性的增加，新的業(yè)務類型（如：增強移動寬帶、高可靠低時延通信、大規(guī)模物聯(lián)網(wǎng)）不斷涌現(xiàn)，5G時代將面臨不斷改變的業(yè)務類型模式帶來的挑戰(zhàn)[2]。在這種情況下，5G蜂窩網(wǎng)絡需要具備自主識別新業(yè)務類型、高效的資源調(diào)度機制、按需定制相應網(wǎng)絡切片的一些功能。

目前，為了使5G系統(tǒng)更加自動化和智慧化，國際電信聯(lián)盟（ITU）正式成立了“ITU面向包括5G在內(nèi)的未來網(wǎng)絡的‘機器學習焦點組，重點研究機器學習、人工智能在包含5G系統(tǒng)的未來網(wǎng)絡中的應用[3]。此外，面向?qū)淼?G網(wǎng)絡與服務，為了實現(xiàn)靈活、高效、高質(zhì)量的管理、服務、運營的“自動化”，歐洲電信標準化協(xié)會（ETSI）發(fā)布了一份名為《自動化下一代網(wǎng)絡中的網(wǎng)絡和服務操作的必要性和益處》的白皮書[4]，核心的目標是實現(xiàn)5G網(wǎng)絡與服務管理、運營的自動化。

1.2 人工智能

人工智能的最終目標是建立一個類似于人類思維活動的系統(tǒng)模型。因此，人工智能的實現(xiàn)主要在于構(gòu)建出來的操作系統(tǒng)能否根據(jù)系統(tǒng)的“思維活動”采取理想的行動[5]。人工智能領域處理的問題主要包括感知、挖掘、預測以及推理。

感知：具有感知能力的智能體對外部環(huán)境進行監(jiān)測；

挖掘：對感知到的外部信息進行分類和分析；

預測：基于系統(tǒng)經(jīng)驗獲得概率模型；

推理：具有認知功能的智能體根據(jù)外部模型做出推斷性結(jié)論。

從實踐角度來說，設計能夠自主思考的系統(tǒng)對5G網(wǎng)絡的意義重大，例如：5G網(wǎng)絡可以利用感知技術(shù)進行網(wǎng)絡異常檢測以實現(xiàn)網(wǎng)絡的自修復，利用挖掘技術(shù)對網(wǎng)絡業(yè)務進行分類分析，利用預測技術(shù)預測用戶的移動趨勢和業(yè)務量變化以及利用推理技術(shù)配置一系列的參數(shù)以更好地適應業(yè)務等。人工智能技術(shù)不僅具備和環(huán)境交互的能力且可以根據(jù)不同的環(huán)境條件自動執(zhí)行合理的行動，因此各行各業(yè)的人工智能化已經(jīng)成為社會的必然發(fā)展趨勢。

1.3 5G網(wǎng)絡人工智能化的重要意義

（1）5G網(wǎng)絡需要通過智能決策，管理種類繁多的資源和動態(tài)變化的業(yè)務流量。在早期以語音為主的通信網(wǎng)絡中，流量模型易于預測，這一時期的流量需求管理也相對較為簡單。然而，智能設備的出現(xiàn)使得無線流量模型在維度和粒度上變得更加復雜。為了使網(wǎng)絡在面對不同的業(yè)務和流量需求時依然能夠保證最佳用戶體驗，策略控制系統(tǒng)需要進行異常復雜的處理。以網(wǎng)絡功能虛擬化為例，必須使其核心決策算法能夠自動匹配當前的無線、用戶以及流量條件，以實現(xiàn)計算資源的動態(tài)分配。而在這方面，人工智能是最佳候選技術(shù)，可以為當前的無線系統(tǒng)提供更敏捷和健壯的復雜決策能力。

（2）5G網(wǎng)絡需要通過自動化，在提高效率的同時降低成本。如何低成本、高效率地運營日益復雜的網(wǎng)絡是當前面臨的一項重大挑戰(zhàn)。目前2G、3G、4G網(wǎng)絡的信息數(shù)據(jù)基本上是通過路測、用戶投訴記錄或操作維護中心（OMC）的報告來獲取的，這種數(shù)據(jù)獲取方法效率較低，已經(jīng)不能滿足5G網(wǎng)絡對于低時延和實時跟蹤來提高資源利用率的需求。為了實現(xiàn)5G網(wǎng)絡自動化，需要對用戶域（包括用戶分布、用戶需求等）、網(wǎng)絡域（網(wǎng)絡負載、擁塞狀態(tài)等）和無線域（頻譜利用率、鏈路質(zhì)量等）的動態(tài)網(wǎng)絡狀況有全面充分的了解。因此，智能感知技術(shù)是實現(xiàn)5G網(wǎng)絡自動化的一個重要條件。

（3）5G網(wǎng)絡需要根據(jù)業(yè)務特征按需提供服務。提高網(wǎng)絡的資源利用率是滿足日益增加的網(wǎng)絡業(yè)務需求的必要條件。當前的移動網(wǎng)絡采用一種網(wǎng)絡架構(gòu)服務所有業(yè)務類型的模式。由于網(wǎng)絡的單一性，網(wǎng)絡中的所有用戶只能采用相同的帶寬消耗模式，不僅每一類業(yè)務類型的特定性能需求無法得到保證，還會大大降低網(wǎng)絡資源利用率。5G網(wǎng)絡切片的出現(xiàn)使得用戶可以根據(jù)特定需求定制針對性服務[6]，而為了實現(xiàn)網(wǎng)絡切片的靈活調(diào)用，切片的創(chuàng)建、部署和管理都將離不開智能化技術(shù)。

2 智能5G網(wǎng)絡架構(gòu)

為了提升當前網(wǎng)絡的決策能力，實現(xiàn)網(wǎng)絡自動化，并能為特定業(yè)務按需建立網(wǎng)絡切片，以達到靈活地使用和管理網(wǎng)絡的目的，有必要讓蜂窩網(wǎng)絡具備感知環(huán)境的能力，對不確定因素進行學習，設計相應行為，合理地配置網(wǎng)絡。人工智能主要就是解決怎樣對變量進行學習，預測未來的狀態(tài)，通過和環(huán)境交互找到潛在解決方案的方法。因此，5G時代的蜂窩網(wǎng)絡可以利用人工智能技術(shù)和環(huán)境進行交互以改變網(wǎng)絡的運作模式，實現(xiàn)智能的5G時代。

本文提出的智能5G網(wǎng)絡架構(gòu)主要包括3個部分：環(huán)境艙、智能中心和網(wǎng)絡策略。智能5G網(wǎng)絡架構(gòu)能夠從真實網(wǎng)絡環(huán)境中讀取、觀察和分析各類網(wǎng)絡信息，同時也能采取相應的行動策略對網(wǎng)絡環(huán)境加以控制。

2.1 環(huán)境艙

環(huán)境艙是智能5G網(wǎng)絡架構(gòu)中唯一可以和真實網(wǎng)絡環(huán)境直接交流的部分，它主要執(zhí)行以下兩種任務：

（1）為了維持網(wǎng)絡運作秩序，環(huán)境艙需要存儲從真實環(huán)境中觀察到的網(wǎng)絡狀態(tài)信息，包括網(wǎng)絡拓撲信息、業(yè)務請求信息以及資源使用情況等，并負責將這些信息批量傳送到智能中心。

（2）為了保證向智能中心傳送的網(wǎng)絡信息的實時性，環(huán)境艙還需要將網(wǎng)絡策略采取的行動信息（包括切片配置、用戶關(guān)聯(lián)以及資源分配等）傳送到真實網(wǎng)絡環(huán)境中，以便網(wǎng)絡環(huán)境實時更新狀態(tài)信息。

2.2 智能中心

智能中心是智能5G網(wǎng)絡架構(gòu)的核心部分，智能5G網(wǎng)絡框架如圖1所示。通過利用人工智能中的感知、挖掘、預測以及推理方法，對從環(huán)境艙中獲得的信息進行處理，例如：進行拓撲感知、業(yè)務預測以及請求分析等。處理的結(jié)果最終會發(fā)送給網(wǎng)絡策略模塊，并做出相應的決策。這些結(jié)果可能包括業(yè)務分析報告（如資源配置建議）、用戶控制信息（如用戶服務優(yōu)先級）以及網(wǎng)絡配置通知（如需要調(diào)整的參數(shù)）等。

以網(wǎng)絡切片為例，人工智能利用感知模塊獲取網(wǎng)絡拓撲信息，接著利用挖掘模塊對搜集的信息進行分析和處理，并基于歷史物理網(wǎng)絡節(jié)點資源的使用情況對節(jié)點的資源需求量進行預測，然后利用推理模塊獲取網(wǎng)絡切片的虛擬網(wǎng)絡功能可能的部署方案。

2.3 網(wǎng)絡策略

根據(jù)智能中心傳遞來的各類信息形成最終的網(wǎng)絡策略。由網(wǎng)絡策略決定最終采取的各類行動，如給某類請求業(yè)務建立切片、網(wǎng)絡參數(shù)的配置和調(diào)整以及虛擬網(wǎng)絡映射等。最終的決策行動會經(jīng)環(huán)境艙反饋給真實網(wǎng)絡環(huán)境，網(wǎng)絡環(huán)境則會根據(jù)最新行動更新其狀態(tài)信息。

以網(wǎng)絡切片的建立為例，網(wǎng)絡策略會根據(jù)由智能中心傳來的業(yè)務分析報告來決定分配給每個切片的資源類別以及數(shù)量，同時，網(wǎng)絡策略會將最終的資源分配策略傳遞給環(huán)境艙，而環(huán)境艙會反饋到真實網(wǎng)絡中以及時更新網(wǎng)絡資源相關(guān)的整體使用情況。

3 5G網(wǎng)絡智能化的關(guān)鍵 技術(shù)

這一部分將從4個方面來詳細分析當前的無線網(wǎng)絡智能化方案，主要包括業(yè)務預測、網(wǎng)絡切片、無線資源分配以及資源共享。

3.1 業(yè)務預測

隨著用戶業(yè)務需求量的增加，業(yè)務預測已經(jīng)成為5G網(wǎng)絡監(jiān)督和管理的關(guān)鍵部分。精確的業(yè)務預測需要通過追蹤數(shù)據(jù)流的變化來建立實際的網(wǎng)絡業(yè)務模型。由于網(wǎng)絡中諸多非線性因素的影響，5G網(wǎng)絡的業(yè)務變化將在時域上呈現(xiàn)較大的不規(guī)律性，從而使得傳統(tǒng)的線性回歸技術(shù)已經(jīng)不再適用于預測和分析當前網(wǎng)絡的業(yè)務變化情況?；诂F(xiàn)有的研究，表1總結(jié)了幾種可用于智能5G網(wǎng)絡的業(yè)務預測方法[7]：實時方法、時序分析法、反向傳播[8]及支持向量機，并分析了各自的優(yōu)點和缺點。

3.2 網(wǎng)絡切片

當前“一體適用”的網(wǎng)絡架構(gòu)會造成不同類型業(yè)務的需求沖突，從而影響用戶體驗。網(wǎng)絡切片技術(shù)的出現(xiàn)，使得5G網(wǎng)絡可以根據(jù)不同業(yè)務的特定需求自行租用共享的物理網(wǎng)絡基礎設施，用以構(gòu)建多個邏輯獨立的網(wǎng)絡。網(wǎng)絡切片提供了一個網(wǎng)絡即服務（Naas）模型，能夠根據(jù)動態(tài)的業(yè)務和應用需求靈活地分配和重新分配網(wǎng)絡資源，從而為不同的5G通信場景定制網(wǎng)絡切片。為了實現(xiàn)網(wǎng)絡切片的靈活調(diào)度，文獻[9]將人工智能方法運用到5G網(wǎng)絡切片中設計了代理商實體，并且通過3個基本模塊的聯(lián)合調(diào)用來提高網(wǎng)絡資源利用率。智能5G網(wǎng)絡切片框架具體如圖2所示。

預測模塊：分析網(wǎng)絡切片的業(yè)務模式，使用Holt-Winters預測方法分析并預測未來的切片業(yè)務請求，并將預測信息提供給接入控制模塊；

接入控制模塊：使用接入控制策略來選擇下一個時間窗口內(nèi)可被授權(quán)的網(wǎng)絡切片請求；

切片調(diào)度模塊：接收來自接入控制模塊的受理切片請求列表，并給網(wǎng)絡切片分配物理資源；監(jiān)測（通過使用懲罰歷史函數(shù)）服務水平協(xié)議的違反情況。

3.3無線資源分配

為了使5G網(wǎng)絡能夠根據(jù)不斷變化的業(yè)務需求為用戶進行動態(tài)資源分配，多種基于人工智能的算法已經(jīng)被應用到無線資源管理領域中，表2對幾種相關(guān)算法進行了總結(jié)并分析了其相應的特點，具體包括：遺傳算法[10]、多臂賭博機[11]和Q學習算法 [12]。

3.4 資源共享

網(wǎng)絡功能虛擬化技術(shù)允許底層物理網(wǎng)絡經(jīng)營者向服務提供商租出部分基礎設施，服務提供商利用租用的基礎設施資源創(chuàng)建自己的虛擬網(wǎng)絡以向終端用戶提供端到端服務。虛擬網(wǎng)絡由一系列的虛擬節(jié)點和鏈路組成，這些虛擬節(jié)點和鏈路由底層物理網(wǎng)絡的路徑和節(jié)點支撐。高效的底層物理資源共享過程主要分為兩步：第一步是虛擬網(wǎng)絡映射，將虛擬網(wǎng)絡節(jié)點和鏈路映射為底層物理節(jié)點和路徑；第二步是在虛擬網(wǎng)絡的生命周期內(nèi)為虛擬節(jié)點和鏈路動態(tài)分配資源。為了實現(xiàn)對虛擬網(wǎng)絡的高效管理，文獻[13]利用人工神經(jīng)網(wǎng)絡（ANN）技術(shù)設計了一種自動化系統(tǒng)為虛擬網(wǎng)絡提供自適應的資源分配。將底層物理網(wǎng)絡的節(jié)點和路徑用ANN進行模擬，ANN的輸入為網(wǎng)絡資源狀態(tài)，輸出為資源共享方案。文獻[13]還采用了一種類似于增強學習的誤差函數(shù)對ANN的輸出結(jié)果進行滿意度評估，以完成ANN的在線訓練過程。

文獻[14]提出了一個基于圖形神經(jīng)網(wǎng)絡（GNN）來預測虛擬化網(wǎng)絡功能（VNFs）對資源的需求，該GNN模型表示由VNF及其連接的相鄰VNFs形成的星型拓撲，通過將前饋神經(jīng)網(wǎng)絡（FNN）函數(shù)應用于不同的GNN層來計算VNF對資源的需求，從而實現(xiàn)對NFV中的資源動態(tài)感知和管理。

4 研究展望

4.1 智能化5G網(wǎng)絡的機遇

人工智能給5G網(wǎng)絡的實現(xiàn)帶來了更多的機會。首先，面對超負荷的蜂窩網(wǎng)絡數(shù)據(jù)量，人工智能可以利用這些數(shù)據(jù)預測可能發(fā)生的事件，并在此基礎上實現(xiàn)網(wǎng)絡資源的動態(tài)分配和參數(shù)的動態(tài)配置；其次，隨著網(wǎng)絡的異構(gòu)化，人工智能技術(shù)能夠分析新興的業(yè)務請求并為其匹配最合適的接入點以滿足用戶的性能需求；最后，人工智能技術(shù)可以使5G網(wǎng)絡對于系統(tǒng)警報響應和安全威脅防護都變得更加敏捷，從而使網(wǎng)絡能夠更好地應對意料之外的網(wǎng)絡狀況。

人工智能算法包含領域較廣且種類眾多，其中機器學習方法（如Q學習和支持向量機）、深度學習方法（如卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡）、神經(jīng)網(wǎng)絡（如反向傳播算法、玻爾茲曼機等）、群智能算法（如蟻群算法）以及進化算法（如經(jīng)驗競爭算法）都可以用來改善5G網(wǎng)絡性能。

在上述技術(shù)中，神經(jīng)網(wǎng)絡和深度學習方法目前受到了廣泛關(guān)注。一般來說，神經(jīng)網(wǎng)絡由許多神經(jīng)元和神經(jīng)元之間的加權(quán)連接組成，其中的神經(jīng)元可以抽象為變量而加權(quán)值可以視為相關(guān)參數(shù)。神經(jīng)網(wǎng)絡可以利用學習技術(shù)實現(xiàn)合理配置以保證相關(guān)應用可以根據(jù)一組輸入值得到理想的輸出值，通過學習算法迭代調(diào)整當前所有神經(jīng)元對之間的連接權(quán)重值，使神經(jīng)網(wǎng)絡的輸出值和輸入值達到最佳匹配。當前，神經(jīng)網(wǎng)絡已經(jīng)在認知無線網(wǎng)絡的狀態(tài)估計和預測方面表現(xiàn)出了良好的性能，而為了讓神經(jīng)網(wǎng)絡算法在5G網(wǎng)絡中發(fā)揮其自適應性及分散控制的優(yōu)勢，此項技術(shù)正在被逐漸運用到NFV的虛擬網(wǎng)絡映射和資源共享領域，然而當前神經(jīng)網(wǎng)絡技術(shù)在5G網(wǎng)絡中的應用依然處于初步階段。

進化算法也將因其復雜度低和收斂性快的優(yōu)勢成為下一代無線網(wǎng)絡的重要實現(xiàn)技術(shù)，例如：遺傳算法就可以通過模仿自然選擇過程解決網(wǎng)絡優(yōu)化問題。相比之下，機器學習算法的執(zhí)行主要包含兩個階段：訓練階段和測試階段，其中訓練階段的復雜性要比測試階段高得多，由于當前對5G網(wǎng)絡在能效和靈活性方面的嚴格要求，對于小型的移動終端將只執(zhí)行其機器學習算法中的測試階段。

4.2 5G網(wǎng)絡智能化挑戰(zhàn)

將人工智能技術(shù)運用到5G網(wǎng)絡中的好處顯而易見，但其中仍然存在一些值得思考的問題：首先，在5G時代，網(wǎng)絡數(shù)據(jù)是一把雙刃劍，雖然海量的數(shù)據(jù)給人工智能的訓練和使用提供了寶貴的基礎，但找到一個簡單有效的模型來匹配這些數(shù)據(jù)卻相當困難；其次，為了及時處理蜂窩網(wǎng)絡中的數(shù)據(jù)，需要網(wǎng)絡具備巨大的存儲和計算資源，且可能會威脅到信息安全；最后，人工智能算法的使用必須以數(shù)據(jù)的集中處理為前提。所有這些因素均會對網(wǎng)絡實體的計算容量和運營成本帶來巨大的負擔。

5 結(jié)束語

本文首先介紹了5G網(wǎng)絡的新特征以及人工智能的基本概念，在此基礎上闡述了將人工智能技術(shù)運用到5G網(wǎng)絡中的重要理論和實踐意義。其次，本文設計了一種智能化5G網(wǎng)絡架構(gòu)，此架構(gòu)主要由3部分組成：和真實網(wǎng)絡環(huán)境進行實時交互的環(huán)境艙；利用人工智能技術(shù)對從環(huán)境艙傳來的信息進行處理的智能中心；根據(jù)智能中心的處理結(jié)果采取行動的網(wǎng)絡策略。這種智能化5G網(wǎng)絡架構(gòu)能夠通過和網(wǎng)絡環(huán)境的交互解決5G網(wǎng)絡中的各類決策性問題。進一步，本文對當前人工智能技術(shù)在業(yè)務預測、網(wǎng)絡切片、無線資源分配以及資源共享方面的應用作了簡單總結(jié)并分析了各種算法的特點和適用場景。最后，本文分析了人工智能技術(shù)運用到5G網(wǎng)絡中的機會和挑戰(zhàn)。雖然5G網(wǎng)絡的人工智能化進程依然存在重重阻礙，但我們相信人工智能技術(shù)將會翻開未來移動通信網(wǎng)絡的新篇章。

參考文獻

[1] IMRAN A， ZOHA A. Challenges in 5G： How to Empower SON with Big Data for Enabling 5G [J]. Network IEEE， 2014， 28（6）：27-33. DOI： 10.1109/MNET.2014.6963801

[2] 任馳，馬瑞濤.網(wǎng)絡切片：構(gòu)建可定制化的5G網(wǎng)絡[J].中興通訊技術(shù)，2017，24（1）：26-30.DOI： 10.3969/j.issn.1009-6868.2018.01.006

[3] ITU Focus Group on Machine Learning for Future Networks including 5G [EB/OL]. （2017-11-06）[2018-03-19]. http：//www.itu.int/en/ITU-T/focusgroups/ml5g/Pages/default.aspx.

[4] ETSI Launches Zero Touch Network and Service Management Group [EB/OL]. （2017-12-14）[2018-03-19]. http：//www.etsi.org/news-events/news

[5] LI D. Artificial Intelligence in the Rising Wave of Deep Learning： The Historical Path and Future Outlook [Perspectives][J]. IEEE Signal Processing Magazine， 2018， 35（1）：180-177. DOI： 10.1109/MSP.2017.2762725

[6] 5G Network Architecture： A High Level Perspective [EB/OL]. （2017-07-21）[2018-03-19].http：//www.huawei.com/minisite/5g/img

[7] YAN X B， LU T， LI Y J， et al. Research on Event Prediction in Time-Series Data[C]// International Conference on Machine Learning and Cybernetics. USA：IEEE， 2004，（5）：2874-2878. DOI： 10.1109/ICMLC.2004.1378522

[8] PAN X， LEE B， ZHANG C. A Comparison of Neural Network Backpropagation Algorithms for Electricity Load Forecasting[C]// IEEE International Workshop on Intelligent Energy Systems. USA： IEEE， 2014：22-27. DOI： 10.1109/IWIES.2013.6698556

[9] DARIO B，M G， ALBERT B. Mobile Traffic Forecasting for Maximizing 5G Network Slicing Resource Utilization [C]// IEEE INFOCOM. USA：IEEE， 2017. DOI： 10.1109/INFOCOM.2017.8057230

[10] TSENG L Y， CHEN S C. Two-Phase Genetic Local Search Algorithm for the Multimode Resource-Constrained Project Scheduling Problem [J]. IEEE Transactions on Evolutionary Computation， 2009， 13（4）：848-857. DOI： 10.1109/TEVC.2008.2011991

[11] MAGHSUDI S， STAMCZAK S. Channel Selection for Network-Assisted D2D Communication via No-Regret Bandit Learning With Calibrated Forecasting [J]. IEEE Transactions on Wireless Communications， 2015， 14（3）：1309-1322. DOI： 10.1109/TWC.2014.2365803

[12] ONIRETI O， ZOHA A， MOYSEN J， et al. A Cell Outage Management Framework for Dense Heterogeneous Networks[J]. IEEE Transactions on Vehicular Technology， 2016， 65（4）：2097-2113. DOI： 10.1109/TVT.2015.2431371

[13] MIJUMBI R， GORRICHO J L， SERRAT J， et al. Neural Network-Based Autonomous Allocation of Resources in Virtual Networks[C]// European Conference on Networks and Communications. USA： IEEE， 2014：1-6.DOI：10.1109/EuCNC.2014.6882668

[14] MIJUMBI R， HASIJA S， DAVY S， et al. Topology-Aware Prediction of Virtual Network Function Resource Requirements [J]. IEEE Transactions on Network and Service Management， 2017， 14（1）： 106-120. DOI： 10.1109/TNSM.2017.2666781