文摘

5th代(5克)通信进化与异构用户终端和应用程序。移动边界计算的收敛性(MEC)和软件定义网络(SDN)带来巨大的挑战和机遇提高计算资源和用户的服务质量(QoS) fronthaul和回程网络。由于用户的急剧扩张媒体5 g时代,高效的媒体取证方法是强制性的指定和提供有效的安全处理基于单个应用程序需求。根据异构物联网的指数增加(HetIoT)设备,巨大的交通将通过瓶颈产生5 g fronthaul网关。5 g fronthaul网络环境包括资源不足克服巨大的用户流量和通信、QoS的存在交通堵塞发生时将减少。面对上述问题,本文提出了智能媒体取证处理方案和交通控制上行(UL)根据下行传输(DL)状态。应用支持向量机(SVM)算法进行媒体取证和MEC服务器集成到fronthaul网关,网关的资源分为UL和DL。缓存技术将5 g环境的一部分,和DL将用于流量缓存。这是强制性调整通信流量根据UL / DL资源利用率和控制依赖的货运交通资源的可用性。实验是由使用计算机软件,该方案说明了一个值得注意的突出表现在常规方法的多样化的重要QoS因素包括可靠性、延迟和通信的吞吐量。

1。介绍

异构的用户媒体将增加5th代(5克)时代或下一代网络(NGN)。缓存技术将全面启用的申请使当地卸载移动边缘计算(MEC)。边云带来进步和重大技术边缘网络环境中,大量的研究挑战和机遇。特别是安全方法边缘网络巨大的用户应用程序必须保证安全通信和媒体(1]。异构用户媒体将积累在边缘云服务器和缓存包含媒体检查保证专用的媒体的信赖不足防御。新一代用户媒体将庞大而复杂的;因此,进行高精度媒体取证,机器学习(ML)将有利于检查媒体的独特的内部行为(2,3]。此外,实时通信成为顶级(OTT)用户媒体5 g / 6 g系统。尤其是在Covid-19时期,不同通信已经被互联网利用包括在线学习,完成视频会议、语音对话,和其他时间敏感通信(4]。时间敏感网络携带巨大的分组数据单元(PDU)的大小,那么大数据传输必须处理端到端(E2E)通信。5 g无线接入网络(5格兰)环境是由毫米波(mm-Wave)安装技术,和大规模的无线远程头(RRH)支持多输入多输出(MIMO)技术(5]。因此,5大就不会受到资源约束的处理大数据流量。然而,fronthaul向核心网络的传输瓶颈区域所安装的光纤网络,包含服务能力不足。Fronthaul网络环境中成为重要的研究领域从不同的学术和工业。网络拥塞发生时的传入流量超过了fronthaul容量(6]。时的丢包率会增加通信资源无法在适当的时候处理交通拥堵。对时间敏感的交通运输是基于用户数据报协议(UDP), nonreliable传输协议,传输用户流量没有握手或确认(ACK)。因此,聪明的计划来处理大数据流量要求保证E2E通信可靠性在时间敏感的应用程序(7]。

本文解决了智能媒体取证和实时交通处理方案对提高对时间敏感的流量和用户的服务质量(QoS) 5 g fronthaul网络。剩下的纸是组织如下:在部分2,相关的关键技术进行了说明。提出了智能媒体取证和交通提出了处理方案3。部分4全面介绍和讨论的结果。最后,结论部分给出了5。

2。5 g Fronthaul网络环境

伞下的ML技术人工智能(AI)和智能网络系统带来多方面的机遇(8- - - - - -10]。此外,5 g / 6 g边缘结构演变与异构计算平台包括软件定义网络(SDN), MEC,网络功能虚拟化(NFV)、人工智能和网络切片(NS)。(11- - - - - -15]。这些关键技术克服了巨大的媒体的融合边缘缺陷产生很大的数据通信网络。毫升需要一个至关重要的责任的分类,不同的应用程序,而E2E NS需要区分用户设备的行为,RRH,网络资源和媒体内容(16- - - - - -19]。不同的媒体需要不同的安全性和QoS义务确保深信不疑的E2E沟通和满足QoS要求;因此,不同的媒体内容的切片(如媒体取证)是强制性的(20.]。5 g / 6 g边缘环境包括计算资源不足;因此,轻量级的媒体检测方法必须被考虑。存在丰富的轻量级的ML算法包括支持向量机(SVM), K-Mean,再邻居(资讯),决策树(DT)和随机森林(RF)适合轻量级MEC的设备有计算能力的限制。随后,轻量级毫升在简单的计算机器,需要更少的计算时间21- - - - - -23]。此外,SDN执行一个有影响力的职位在下一代5 g / 6 g fronthaul网络和分布式管理计划和编制(MNO)之间的计算资源,用户流量24]。SDN允许softwarization fronthaul网络和支持应用程序编程接口(API),和OpenFlow协议提供虚拟基础设施之间的通信接口和控制层(25]。5 g边缘网络涉及微波链接和光纤网络()患有沟通QoS。此外,从微波链接应用程序交付稳定总是报道在适用与各种环境。然而,在环境将链接庞大的用户流量的能力不足。应对这些挑战的问题,未来的移动网络针对应用无源光网络(其)由各种研究机构广泛认可作为一个有前途的解决方案应对大规模用户流量瓶颈移动网络。在其提供的最小化交通拥堵和超低延迟(妳)的观点;此外,在其连接基站(BS)向核心网关。然而,X2接口之间的安装没有彩球,可能发生拥堵,与fronthaul网络和集成彩球,UL和DL资源将会增加。即使在其执行更高的数据交付能力,仍有能力克服严重的交通在高峰时间不足的异构物联网用户。此外,在其有效调度之间的动态资源分配必须考虑,因为这种差异来自不同用户的QoS识别交通是必不可少的约束(26]。保证对时间敏感的通信、交通分类必须被执行,而常见的通信是由4类包括对话、流媒体、互动,和背景(27]。谈话和流流量必须确保妳E2E沟通和宽的带宽快速交付。大部分的时间敏感的交通所需的传统通信系统不太重要的E2E通信可靠性;然而,在5 g / 6 g网络,它由许多实时应用程序需要提供妳和超高可靠性(表),包括实时交通物联网、窄带物联网交通,e-health物联网,工业物联网(IIoT),等等。确定通信标准的能力和动态时序要求严格的应用程序的处理都是重要的,以确保QoS和安全通信。因此,对话和流媒体类适合从互动中获得计算资源和背景,分别。

图1显示关键技术在下一代移动系统的收敛性和边缘5 g移动网络的集成MEC利用改善的网络设备的计算能力。每个网络设备运行多个函数来执行不同的服务。并行卸载将减少计算时间的控制平面(CP)和5克fronthaul环境基于SDN透视图将解耦。数据平面(DP)将分开CP, fronthaul DP和CP将遭受巨大的用户资源不足。异构MEC服务器将位于无线接入网络(RAN)利用了计算能力和缓存的目的。将启用云跑MEC异构平台的融合,和MEC缓存的利用率将会增加下行(DL)资源由于大量的数据将从远程缓存云边缘地区的各种MEC服务器(28]。fronthaul网关和终端用户之间的网络环境将不受带宽和计算能力对DL和上行(UL)。自fronthaul网络安装光纤到户(FTTH),有多个访问网络与多个网关在边缘地区。而服务网关之间的接口(S-GW)和分组数据网关(P-GW) Point-to-Pont (P2P)网络之间的资源共享,UL和DL受到计算能力不足。


图1
毫升的共同融合MEC在未来5 g网络系统。

3所示。提出了方案

克服5 g异构通信,使信赖和QoS 5 g通信媒体,本文提出了基于轻量级毫升媒体取证方法,即支持向量机,区分媒体内容。如图2,该系统架构由三个平面基于SDN视角。MEC的用户设备请求应用程序服务器通过5 g无线网络通过多个RRH网关。同样地,已经全面使用缓存技术;因此,DP通信将在网络边缘地区。E2E QoS保证高效安全的交通处理5 g的多媒体、不同内容的切片必须极度满足。此外,非结构化的和多样化的媒体内容积累在异构云环境。


图2
提出的系统架构是基于MEC的收敛,SDN,毫升。

它由不足之间的安全处理交通MEC接口和交换关键证书非机密的媒体的不足。应对这些问题,轻量级毫升是用来检查用户媒体和执行不同的分类信息类别。适当的ML方法满足边缘环境需要的计算能力计算和更少的内存,计算能力较低,短期延迟计算。CP是针对与MEC服务器整合为提高计算能力三个主要实体包括支持向量机、切控制和流配置。数据取证提供的支持向量机基于不同数据集的内容。不同的切片显示所需的不同的媒体行为和不同级别的安全。本文假定MEC服务器包含用户媒体四个不同类型的各种功能的有害的属性的数量,无担保来源,不具体的信息,和地下茎数量。这些数据集特征表明,实际5 g媒体的行为足以执行保护水平的认可。SDN控制器的应用平面(美联社)提出了计算不同切片模块与CP反映实体。每片媒体内容可以用特定的安全级别。 So, the scheme performed individual safety control to specific media content.

执行媒体取证,收敛One-Vs-Rest分类器和径向基函数(RFB)内核用于定义类预测任何输入内容流量的概率, 。计算中值类的目标, ,在每个类 被表示为米程度的限制。每个内容流预测的概率 属于类 ,遥远的结果之间的 和 计算图中描述3。 代表了One-vs-Rest分类器输出估计的内容流,部分基于RFB内核计算。估计最大价值内容的流向米层次的类, ,是输出的决定。


图3
支持向量机的算法流程。

图4说明了构建支持向量分类的过程流(SVC)向看不见的实时媒体内容的最终预测交通流量。


图4
取证的数据图是基于SVM毫升。

从原始数据收集,需要考虑数据处理和算法实现。训练数据必须被净化,规范化,并提取有用的特征输入支持向量机前。训练模型,训练数据集是监督算法驱动的。和每个目标类必须定义正确。对模型精度测试目的,整个输入数据分为常数随机子集进行测试培训(70%和30%)。接下来,One-vs-Rest分类器应用于适合每个类对所有其余的类。然后,RFB指定内核类型应用的算法。模型建立后,输入训练数据子集符合得分计算精度估计的支持向量机测试数据子集。如果比分是满意,实现实时媒体内容的输入流量。然而,如果分数不满意,SVC程序需要同步改造来提高性能。 Eventually, the media content flows are expected to be well-classified for assuring the level of accessibility conditions, securing the public distribution of harmful content classes, and authorizing the restricted content configuration.

继续multiclassification,输入数据集必须well-processed,洁净的、定义明确的目标类。表1头脑风暴类名和特征基于媒体的水平限制,可能是引发的SVM分类器的过程。类0表示的内容,包含强烈的成人类别包括暴力、性场景,成熟的学科,不恰当的语言、药物。属于类的任何内容流量0,可访问性条件必须严格定义和安全配置。

表1
目标类的媒体内容。

一班和二班的内容特征类公共影响分别低于0少不喜欢,检测报告,或有害的评论。异常,3班的定义是无害的或无害的内容在公共场合可能打开免费访问。

由于对MEC服务器并发用户请求,用户设备之间存在资源能力不足RRH接口,RRH RRH / X2接口,RRH信令转换。随后,MEC服务器将连接到内容交付的信令转换和下载MCC的最新信息,而缓存的流量MCC是互动和背景完全可控的通信类型基于软件的网络。控制器需要监测信令转换状态和链接带宽。信令转换处理DL和UL交通从远程终端用户和缓存云。在高峰时间在5 g网络环境中,控制器将检查内容请求在MEC服务器,如果内容不,控制器将更新一个特定请求的转发流到MCC服务器。此外,MEC需要缓存和更新丢失的内容从外部云。在高峰期间,DL和UL将巨大的用户信息;因此,交通拥堵会发生当计算能力达到极限阈值。处理交通拥堵问题,DL的分裂和监测和UL必须被实现。在实际5 g通信,将会有一个融合的异构应用程序包括时效性和time-insensitive流量。 Thus, the capability of identifying distinct communication types will be essential for efficient QoS management. The proposed scheme handles the congestion based on the restriction on the caching traffic in DL. Whenever the UL situations are necessitated to be handled, the controller will be required to evaluate the resource restriction of DL based on the obvious traffic types. The DL resources will be utilized for carrying caching traffic and time-insensitive applications; thus, the restriction of DL will boost UL resources and will be efficient for handling real-time communications.

4所示。系统分析

4.1。E2E系统延迟

包传输的E2E延迟该系统可以写成 这是添加多个延迟出现如下: 在哪里(我) 广播电台之间的延迟发生的用户设备和RRH接口。所需的巨大的MIMO技术的最优方法高效调度延迟以来MIMO技术可以增加根据处理RRH不足。(2) 是发生在的数据包传输延迟间隔gNB信令转换/产气井。安装常见的信令转换/产气井传播媒介通过光学网络环境。通信延迟可以发生在各种各样的接口包括S1, X2, CP和DP。(3) 计算期内,发生在信令转换的控制和数据的飞机/产气井网关。进化包芯(EPC)系统位于控制飞机,它由几种发生延迟各种EPC实体,如SDN控制器,主用户服务器(HSS),移动管理实体(MME),政策和收费规则函数(PCRF)。EPC实体解决移动通信注册和资源管理系统。(iv) 的延迟MNO,发生在SDN控制器。每个片SDN管理媒体的法医和缓存同步的DL和UL状态。延迟可以发生在ML算法和通信流的计算流程更新基于ML的输出。

UL的条件取决于每个网关的服务和异构网络的网络设备可以被定义为M / M / 1排队模型如下: 在哪里 表示服务比率或阈值的服务实体, 表示传入的用户流量,并 对应于服务网关或任何基站。DL和UL可以测量的状态决定的 值。通常,如果传入的请求 超过了服务能力 ,操作系统是强制性的。

4.2。模拟环境

仿真系统由两个不同的场景包括5 g的数据取证媒体基于SVM的ML算法和QoS处理不同的交通片,如图5。生成的数据集是使用Python编程来反映四类媒体如表所示1。支持向量机应用于检查数据集包括多样化的媒体方式。审查后的支持向量机,四类媒体取证不同的礼仪。离散网络模拟版本3 (NS3)是利用进行实时实验。仿真时间(SimTime)被设置为450秒,和6611130年的交通生成正常和坏的条件。随机早期检测(RED)队列是集成到信令转换/产气井网关用于缓冲和QoS评价目的。


图5
提出了系统的仿真图。

5。结果与讨论

的实验结果提出了详尽的对话部分。评估结果由两类包括媒体取证分析和QoS曝光每个取证的实时用户通信的分类。图6说明了片四个媒体内容组。每一组表示不同的媒体内部表中描述1。SVM进行99%的准确性预测和分类的12500个元素分为四个不同的媒体数据集。根据输出,有3747(29.976%)、4030年(32.24%)、2945年(23.56%)和1778年(14.224%)内容属于类0(高禁止和严格的可访问性条件),1级(公平的禁止和限制),二班(更少的限制和气馁的分享),和3班(可访问性对公众开放分布),分别。每个类表示不同程度的有害内容可以把不同级别的安全义务。


图6
12500年审查类媒体数据集由支持向量机。

由于不同媒体内容的分割,不同的片的分配和操作在不同的容器中。不同的媒体内容的可拆离性分配不同的虚拟计算环境的机会,因为每个分离组主管计算是一个独立的虚拟机或容器MNO带来便利和高效。相应地,网络切片MEC的用户和应用程序之间会建立,和多个MEC服务器将利用个人操作而每个MEC服务器都有一个唯一的接口连接信令转换/产气井。将会建立多个MEC的平行卸载服务器和每个通信接口的灵活处理将必修课。

随后,E2E用户流量将由个人发生通信媒体。因此,多个接口的同步通信UL和DL强制处理基于不同交通QoS类标识符(QCI)。该方案改善了实时通信可靠性和进一步的QoS参数平衡的UL和DL基于行为传输流量。在5 g边缘网络环境中,MEC会实时同步识别最新的内容缓存。同样,缓存过程引起的集中式纪律SDN控制器;和缓存过程是完全可控的。图7说明该方案明显优于传统方案的E2E通信可靠性。暗指图表,该方案达到99.98%,而传统的计划99.95%的E2E通信可靠性。E2E可靠性实时交通的增量传输提供了重要贡献不同时间敏感的应用程序。对于下一代网络环境,实时应用程序正在迅速增加,特别是物联网实时网络传输控制协议(TCP)的能力不足。因此,大多数的物联网应用程序是运行在不可靠的传输方法称为用户数据报协议(UDP)。超高可靠性(表)是专为各种物联网应用,如工业物联网(IIoT),互联网医疗(IoM),和安全系统,这些应用程序需要妳和表E2E通信。履行所提到的要求,该方案的改善时间敏感网络的QoS。在通信的通信可靠性,总在传输丢包数是1201而传统方案3010包计数下降。


图7
E2E通信可靠性提出了与传统的比较方案。

类似于E2E通信可靠性,图8演示了丢包率的比较提出了与传统之间的计划。图表显示,该方案具有丢包率最低的区别传统的计划。提出的最小丢包率和传统方案分别是0.018%和0.045%,分别。关于比率下降,该方案完全优于传统方案,恰当的改善通信可信度足够的表。用户的增加QoS可以由限制在DL time-insensitive交通。因此,UL计算能力可以增强通过限制DL资源。E2E通信的可靠性是一个关键的QoS键实时通信,保证了传输数据包到达接收者在不丢失信息。此外,通信系统的稳定性是一个关键问题是义务和考虑加强QoS。图9展示了通信抖动比较提出和传统方案。对于给定的图形,该方案具有低抖动值虽然传统方法沟通抖动最高。最低的抖动值表示通信具有较高的稳定性。该方案提供了超低抖动,使有效的实时通信。的平均抖动值提出了与传统方案0.306和0.323毫秒,分别。在异构和巨大的通信网络,大数据传输通信将发生在高峰时间。瓶颈或不足的地区,传播不会向用户提供一个稳定的处理系统,所以服务时间的波动同时增加了交流的紧张。因此,QoS /体验质量将取决于产生抖动减少波动。为了应对这些问题,该方案适用于大规模网络边缘环境中提高QoS。


图8
包下降比率对比提出和常规方案。

图9
之间的通信比较紧张提出和常规方案。

图10说明了提出的平均E2E通信延迟和常规方案。图表表明,该方案比传统的计划关于E2E延迟。下一代网络边缘必须处理巨大的用户应用程序和交通。因此,瓶颈领域可能发生当请求超过了网络设备的服务能力。因此,从服务请求部队等有效资源实体,和等待的用户流量将增加E2E通信延迟,减少QoS /系统的体验质量。实时应用程序是至关重要的时间约束,需要更少的往返时间(RTT) E2E通信。图表显示系统的平均延迟在贫穷的条件。该方案的平均通信延迟140.24毫秒,而传统方法的平均延迟是196.88毫秒。


图10
之间的通信延迟比较提出了与传统方案。

由于E2E通信延迟被提议的方案,减少货运交通的能力,同时增加。图11表明了和传统之间的比较方案,该方案具有较高的通信吞吐量比传统方案,提出的平均吞吐量和传统方案799.596 Mbps和799.581 Mbps,分别。通信吞吐量依赖于传输延迟,由于该方案RRT低于传统的方案,该方案提供了更有效的处理严重的交通瓶颈网络环境。基于该方案的图形,无数的交通可迅速转发;因此,在队列的流量可以同时迅速减少。


图11
提出和传统之间的通信吞吐量比较方案。

6。结论

保证安全的媒体高管QoS的可访问性和能力为特定用户的数据交换,区分媒体方式的前提是需要履行。本文提出了基于轻量级的高效数据切片毫升5 g / 6 g媒体取证的角度。此外,每个取证的有效的QoS处理类提出了。计划改善通信瓶颈的QoS解决拥堵问题边缘网络环境。调整资源利用之间的信令转换/产气井DL和UL是确保E2E通信可靠性的关键。特别是,在大数据传输环境,智能方法可以完成个人用户需求是至关重要的。该方案提供了参考方法媒体取证审查用户数据成不同的类依赖现有的媒体行为。然而,动态安全算法应该应用到增强安全用户流量不同媒体内部机密。关于开展测试,支持向量机进行可行满意的学习精度,适用于未来媒体取证方面。之后,处理每个用户流量片的能力明显优于传统方法的通信可靠性,抖动,延迟和吞吐量。 The proposed scheme is appropriate to cope with the challenging issues in 5G bottleneck environments. To ameliorate both E2E communication QoS/QoE and security aspects, a deep neural network will be applied for deep media innards inspection in the forthcoming research.

数据可用性

发现用于支持的数据都包含在本文。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由BK21四(培养优秀大学的研究)(没有。5199990914048),这项研究受到了基础科学研究项目通过韩国国家研究基金会(NRF)由教育部(NRF - 2020 r1i1a3066543)。此外,这项工作得到了Soonchunhyang大学研究基金。