基于深度强化学习的工业物联网切片安全服务配置方法

1.本发明涉及通信网络技术领域，尤其涉及一种基于深度强化学习的工业物联网切片安全服务配置方法。


背景技术：

2.工业物联网(iiot)是将具有感知、监控能力的各类采集、控制传感器或控制器，以及移动通信、智能分析等技术不断融入到工业生产过程各个环节，从而大幅提高制造效率，改善产品质量，降低产品成本和资源消耗，最终实现将传统工业提升到智能化的新阶段。从应用形式上，工业物联网的应用具有实时性、自动化、嵌入式(软件)、安全性、和信息互通互联性等特点。工业物联网在智能制造、医疗保健、农业和交通等领域都有广泛应用。
3.网络切片技术为各种工业实体组提供不同的功能服务，以满足对于时延密集型工业物联网的多样化和动态的应用需求。网络切片技术作为一种新型的网络架构技术，提供了对网络资源的高度控制和灵活性，能够根据不同的业务需求提供定制化的网络服务。
4.在现有技术中，由于网络切片环境的复杂性和动态性，传统的安全策略和资源管理方法往往难以满足其需求。特别是面对大量的网络切片和各种各样的业务请求时，如何制定有效的安全策略和资源优化方案成为当前的重要挑战。


技术实现要素：

5.有鉴于此，本发明提供一种基于深度强化学习的工业物联网切片安全服务配置方法，以解决上述问题。
6.根据本发明的第一方面，提供一种基于深度强化学习的工业物联网切片安全服务配置方法，包括：搭建工业物联网架构，工业物联网架构包含终端设备、网络切片模块、虚拟安全网络功能模块、编排模块和物理网络；在虚拟安全网络功能模块中，基于软件定义网络和网络功能虚拟化技术，对用户的安全服务请求进行建模，得到安全服务请求模型；基于安全服务网络功能实例和安全服务功能链进行模型训练，得到安全服务功能链部署方案；基于网络切片的切片特征、网络切片的请求分布和简化的动作空间，将安全服务功能链嵌入工业物联网架构。
7.在本发明的另一实现方式中，工业物联网架构中，不同的网络切片，具有不同的分布；网络切片模块基于切片特征，对网络切片的分布进行调整。
8.在本发明的另一实现方式中，安全服务请求模型包含虚拟化的安全服务功能链、多维度安全级别和资源定价因素。
9.在本发明的另一实现方式中，还包括：终端设备将安全服务请求发送给网络运营商；网络运营商基于安全服务功能链部署方案，确定映射到对应虚拟安全网络服务功能上的安全服务网络功能实例；通过服务满意度指标满足安全服务功能链部署方案，其中，服务满意度指标包括安全等级和服务资源。
10.在本发明的另一实现方式中，安全等级通过以下方式计算得到：基于安全服务网
络功能实例和其对应的虚拟安全网络功能，比较其预期的安全级别和实际提供的安全级别之间的关系；通过指示函数来表示每个对应关系是否满足安全等级，如果预期的安全级别值大于或等于实际提供的安全级别值，则表示对应关系满足安全等级。
11.在本发明的另一实现方式中，资源定价因素包括计算资源和带宽资源；服务资源通过以下方式计算得到：通过效用函数来表示对计算资源和带宽资源的满意度。
12.在本发明的另一实现方式中，基于网络切片的切片特征、网络切片的请求分布和简化的动作空间，将安全服务功能链嵌入工业物联网架构，包括：通过图神经网络对网络切片进行切片特征提取；通过gru模型进行学习和预测，得到网络切片的请求分布；通过序列到序列模型简化动作空间；基于切片特征、请求分布和简化的动作空间，将安全服务功能链嵌入工业物联网架构中。
13.在本发明的基于深度强化学习的工业物联网切片安全服务配置方法中，通过安全服务请求模型理解和满足不同网络切片的安全需求和资源需求，通过服务质量(qos)满足安全服务功能链部署方案，评估并满足安全级别和资源提供，以确保对服务质量的满足，通过gs2l方法有效地处理高维的安全服务功能链(ssfc)嵌入和资源分配问题，以实现对不同类型的业务提供高效且满足安全需求的服务，使得在面对大量的网络切片和业务请求时，可制定出有效的安全策略和资源优化方案。
附图说明
14.为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，通过阅读下文实施方式的详细描述，方案中的优点和益处对于本领域的技术人员变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在附
15.图中：
16.图1为本发明的一个实施例的工业物联网的架构示意图。
17.图2为本发明的另一实施例的工业物联网架构下工作流程示意图。
18.图3为本发明的另一实施例的基于图神经网络和序列的gs2l强化学习架构示意图。
19.图4为本发明的另一实施例的仿真采用的fat-tree架构示意图。
20.图5为本发明的另一实施例的gs2l在不同的学习率下的奖励示意图。
21.图6为本发明的另一实施例的gs2l在不同网络切片下的奖励示意图。
22.图7为本发明的另一实施例的不同算法在不同网络切片下的奖励示意图。
23.图8为本发明的另一实施例的不同算法在网络切片1中不同安全服务请求下的带宽资源消耗示意图。
24.图9为本发明的另一实施例的不同算法在网络切片1中不同安全服务请求下的计算资源消耗示意图。
25.图10为本发明的另一实施例的不同算法在网络切片1中不同安全服务请求下的qos指标示意图。
具体实施方式
26.为了使本领域的人员更好地理解本发明实施例中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述，显然，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。基于本发明实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。
27.图1为本发明实施例提供的一种工业物联网的架构示意图。如图1所示，本实施例主要包括：
28.搭建工业物联网架构，工业物联网架构包含终端设备、网络切片模块、虚拟安全网络功能模块、编排模块和物理网络。
29.示例性地，搭建如图1所示的工业物联网架构(ssiot架构)，以解决在工业物联网环境中为终端设备提供多样化安全服务的需求。ssiot架构包括终端设备、网络切片模块、vsnf模块、编排模块和物理网络等组件。
30.应理解的是，在ssiot架构中，使用了软件定义网络(sdn)和网络功能虚拟化技术(nfv)来实现对网络切片和安全服务功能的灵活管理和部署。sdn技术使得网络切片模块能够根据流量的逻辑功能和物理资源利用情况来提供不同切片的网络功能，nfv技术则允许将安全服务功能虚拟化成为虚拟安全网络功能(vsnf)，从而实现对安全服务的灵活部署和资源分配。
31.在虚拟安全网络功能模块中，基于软件定义网络和网络功能虚拟化技术，对用户的安全服务请求进行建模，得到安全服务请求模型。
32.示例性地，在vsnf模块中，采用了基于sdn和nfv的安全服务请求模型，用于对客户提出的安全服务请求进行建模。该模型包含了虚拟化的安全服务功能链(vssc)、多维度安全级别的需求、计算资源、带宽资源和资源定价因素等要素，能够有效地理解和满足不同网络切片的安全需求和资源需求。
33.基于安全服务网络功能实例和安全服务功能链进行模型训练，得到安全服务功能链部署方案。
34.示例性地，安全服务功能链部署方案包括安全服务网络功能实例(snfi)和安全服务功能链(ssfc)。该模型通过将虚拟的安全服务功能映射到物理网络功能实例上，并通过服务质量(qos)来满足模型中对安全级别和资源的评估和满足，以确保服务质量的满足。
35.基于网络切片的切片特征、网络切片的请求分布和简化的动作空间，将安全服务功能链嵌入工业物联网架构。
36.示例性地，基于人工智能的gs2l方案，包括利用图神经网络(gnn)提取网络特征、利用gru学习切片特定的请求分布、通过序列到序列(seq2seq)模型简化动作空间。
37.应理解的是，图神经网络用于从网络中提取重要的特征和模式，这些特征和模式包括网络的拓扑结构、流量分布和服务需求等，都被编码为网络的节点和边的属性，为后续的策略决策提供信息基础。gru学习模型主要用于学习和预测网络切片的请求分布，通过对历史数据的学习，模型可以预测在未来一段时间内，不同类型的业务请求可能的分布情况，以此来提前做好资源配置。序列到序列(seq2seq)模型主要用于简化动作空间，即从历史的状态和动作序列中学习到一个策略，使得在未来的状态中，系统可以选择最优的动作进行决策。这三个部分共同构成了gs2l方案，使得在网络切片环境中，可以根据业务请求的分
布，实现自动的安全策略制定和资源优化。
38.在本发明的基于深度强化学习的工业物联网切片安全服务配置方法中，通过安全服务请求模型理解和满足不同网络切片的安全需求和资源需求，通过服务质量(qos)满足安全服务功能链部署方案，评估并满足安全级别和资源提供，以确保对服务质量的满足，通过gs2l方法有效地处理高维的安全服务功能链(ssfc)嵌入和资源分配问题，以实现对不同类型的业务提供高效且满足安全需求的服务，使得在面对大量的网络切片和业务请求时，可制定出有效的安全策略和资源优化方案。
39.在本发明的另一实现方式中，工业物联网架构中，不同的网络切片，具有不同的分布；网络切片模块基于切片特征，对网络切片的分布进行调整。
40.示例性地，ssiot架构的设计中不同的网络切片具有不同的分布，使得每个网络切片可以根据其特定的安全需求和资源分布进行自我优化，从而实现了为不同类型的业务提供定制化的服务。
41.应理解的是，在对应的网络切片中，根据业务类型和安全需求的不同，实现了特定的分布模式，其特征包括网络切片模块可实现特定业务请求的切片特定分布。例如，对于实时性要求高的业务，分布更密集的网络节点，以满足低延迟的需求；对于安全级别要求高的业务，分布在拥有高级别安全防护的节点上。在安全服务功能链(ssfc)的嵌入过程中，根据业务类型和安全需求的不同，实现了特定的分布模式。例如，对于需要高级别安全保护的业务，安全服务网络功能实例(snfi)会在具有高级别安全防护能力的物理节点上进行分布。根据业务流量和资源需求的变化，网络切片模块会动态地调整网络切片的分布，以优化资源利用率，保证服务质量(qos)的满足，以及满足切片特定的需求，如最大可容忍时间和计算能耗。
42.在本发明的另一实现方式中，安全服务请求模型包含虚拟化的安全服务功能链、多维度安全级别和资源定价因素。
43.在本发明的另一实现方式中，还包括：终端设备将安全服务请求发送给网络运营商；网络运营商基于安全服务功能链部署方案，确定映射到对应虚拟安全网络服务功能上的安全服务网络功能实例；通过服务满意度指标满足安全服务功能链部署方案，其中，服务满意度指标包括安全等级和服务资源。
44.示例性地，如图2所示，终端设备在不同的切片中生成带有资源约束的安全服务请求，并将这些信息报告给sdn控制器，sdn控制器(网络运营商)根据安全服务请求模型，确定哪些安全服务网络功能实例(snfis)应被映射到各自的虚拟安全网络服务功能(vsnfs)上，最后，根据服务质量(qos)满足模型，评估并满足安全级别和资源需求，对安全服务功能链(ssfc)进行嵌入，这将消耗网络切片中的节点和链路资源。
45.在本发明的另一实现方式中，安全等级通过以下方式计算得到：基于安全服务网络功能实例和其对应的虚拟安全网络功能，比较其预期的安全级别和实际提供的安全级别之间的关系；通过指示函数来表示每个对应关系是否满足安全等级，如果预期的安全级别值大于或等于实际提供的安全级别值，则表示对应关系满足安全等级。
46.示例性地，安全等级qos用于评估和满足不同网络切片的安全需求，安全等级基于安全服务功能链(ssfc)的安全级别和实际提供的安全级别进行比较。
47.安全等级qos可以通过以下方式进行度量和计算：
48.对于每个安全服务网络功能实例(snfi)和虚拟安全网络功能(vsnf)对，比较其预期的安全级别(ple)和实际提供的安全级别(rle)之间的关系。
49.使用指示函数来表示每个对应关系是否满足，如果每个因素的ple值大于等于对应的rle值，则表示满足安全等级qos。
50.在本发明的另一实现方式中，资源定价因素包括计算资源和带宽资源；服务资源通过以下方式计算得到：通过效用函数来表示对计算资源和带宽资源的满意度。
51.示例性地，资源提供qos用于评估和管理安全服务功能链的资源消耗和分配，资源提供综合考虑了计算资源和带宽资源的需求与实际提供情况之间的关系。
52.资源提供qos可以通过以下方式进行度量和计算：
53.考虑到不同网络切片类型的资源定价因素，包括计算资源和带宽资源。
54.使用效用函数来表示对于计算资源和带宽资源的满意度。效用函数的具体形式可以根据实际需求进行设计，例如线性函数或其他函数形式，表示需求资源是否得到了满足。
55.资源提供qos通过加权计算计算资源和带宽资源的满意度，权重的设计考虑了资源定价因素，根据切片不同而有所改变。通过综合考虑安全等级qos和资源提供qos，可以得到整体的qos指标，用于评估和衡量安全服务功能链的满意程度。
56.在本发明的另一实现方式中，基于网络切片的切片特征、网络切片的请求分布和简化的动作空间，将安全服务功能链嵌入工业物联网架构，包括：通过图神经网络对网络切片进行切片特征提取；通过gru模型进行学习和预测，得到网络切片的请求分布；通过序列到序列模型简化动作空间；基于切片特征、请求分布和简化的动作空间，将安全服务功能链嵌入工业物联网架构中。
57.示例性地，整个安全策略设计以及资源分配问题可以被建模为一个混合整数非线性规划(minlp)问题，该问题的目标是最大化长期的qos满意度指标，即选择每个ssr的服务功能链来实现此目标。在建立的minlp问题中，约束条件如下：
58.1、确保所有服务功能实例占用的带宽总和不超过网络切片s中物理链路资源的容量；
59.2、确保在每个小型数据中心(mdc)中，所有服务功能实例占用的计算资源总和不超过该mdc的总资源容量；
60.3、确保每个ssfc中的服务功能实例按正确的顺序嵌入；
61.4、确保提供的带宽和计算资源不超过所需的资源。
62.所建模的minlp问题是一个np难问题，无法在多项式时间内求解。考虑到问题的复杂性和场景的动态性，针对安全服务功能链(ssfc)嵌入问题和资源分配问题，设计了一种基于深度强化学习的方法，即gs2l(gnn-enhancedsequence-to-sequencedrlapproach)来解决这些问题。
63.如图3所示，gs2l方法通过利用图神经网络(gnn)来提取网络切片的特征、使用gru模型学习切片特定的请求分布，并通过序列到序列(seq2seq)模型简化动作空间，实现了对ssfc的嵌入和资源调度。
64.具体的，gs2l方法的实施步骤如下：
65.特征提取：首先，利用图神经网络(gnn)对网络切片的拓扑结构和资源分配情况进行特征提取，gnn能够捕捉网络中节点和边的关系，并提取有用的特征表示。
66.请求分布学习：使用gru模型对切片特定的请求分布进行建模和学习，通过gru模型，可以对不同类型的业务请求进行建模，并根据切片特定的需求和环境条件进行决策。
67.动作空间简化：通过序列到序列(seq2seq)模型来简化动作空间，seq2seq模型将复杂的动作空间映射到一个更简单的表示，减少决策的复杂度。
68.ssfc嵌入和资源调度：基于学习到的特征表示、请求分布和简化的动作空间，利用gs2l方法实现对ssfc的嵌入和资源调度。通过对ssfc进行序列生成，结合深度强化学习算法，gs2l方法能够在实时决策的情况下快速而准确地生成满足安全需求的特定于切片的安全策略设计和资源调度算法。
69.通过以上实施方式，本发明能够有效地解决ssfc的嵌入问题和资源分配问题。gs2l方法的应用使得网络管理员能够根据不同的网络切片需求，灵活地设计安全策略和进行资源调度，从而提供高效且满足安全需求的服务。
70.在本发明的另一实现方式中，对比不同方案在不同的网络切片中，得到的资源消耗和性能指标。图4为仿真采用的fat-tree架构示意图，如图4所示，在该架构下，对比了不同方案在不同的网络切片中的资源消耗和性能指标。通过固定节点总数为100个，在四种网络切片上实现了相关仿真，仿真对比方案包括以下几种：
71.model-nsx：model-nsx是指在特定网络切片上训练的模型，其中x取值为1、2、3或4，代表网络切片的标识。具体而言，提供了gs2l-nsx、gsac-nsx和sac-nsx这三种类型的模型。
72.gs2l-nsall：gs2l-nsall是指在所有网络切片上训练的gs2l模型。在训练过程中，gs2l-nsall模型会随机选择四个网络切片中的ssr嵌入，并将其作为经验用于学习策略。
73.gsac-nsall：gsac-nsall是gs2l模型的简化版本，移除了gru网络。测试gsac模型可以看作是剔除gru网络后的实验，以展示gru网络在gs2l模型中的效果。同样地，gsac-nsall指的是在所有四个网络切片上训练的gsac模型。
74.sac-nsall：sac-nsall也是gs2l的简化版本，同时移除了gcn和gru网络。
75.pso：pso是一种启发式算法，无需进行训练。它是一种常用的算法，已在许多服务链嵌入问题中得到应用，用于解决优化问题。
76.如图5所示，学习率组合(0.005,0.005)在训练过程中表现最佳，因此选择这个参数设置作为后续训练过程的标准。通过调整学习率，可以控制模型在训练中的收敛速度和稳定性。较低的学习率可能导致收敛较慢，而较高的学习率可能导致训练不稳定。因此，选择适当的学习率组合对于获得良好的训练结果至关重要。
77.如图6所示，gs2l在不同网络切片下都能够快速收敛，并且性能有所提升。这说明gs2l模型在不同切片环境中都能够有效地学习并优化安全服务功能链的嵌入和资源分配。不同的网络切片可能具有不同的特性和需求，但gs2l模型能够灵活地适应这些变化，并提供高效的服务。
78.图7显示了不同算法在不同网络切片下的奖励表现。如图7所示，sac-ns all的性能比sac-avgns1～4曲线差，这表明sac模型不适合从环境中学习特定于切片的知识。相比之下，gsac-nsall与gsac-avgns1～4曲线的表现相似，这主要是因为gsac模型可以从网络拓扑中提取图信息，而切片特定模型可能在训练过程中遇到性能下降的情况。最终，gs2l-nsall和gs2l-avg ns1～4曲线在所有曲线中都达到了最佳的回合奖励，并且在训练过程中
表现出很好的稳定性和学习能力。这进一步证明了gs2l模型在解决安全服务功能链嵌入和资源分配问题上的有效性。
79.从图8、图9、图10中，对于带宽和计算资源消耗，gs2l-ns1模型在维持qos满意度的同时，消耗的资源处于中等水平。相比之下，gs2l-nsall模型在享受类似的qos满意度的同时，消耗的带宽和计算资源略高于gs2l-ns 1模型。然而，gsac-nsall模型在消耗最多资源的情况下只能达到第三级的qos满意度。而pso方法和sac方法的表现最差，其中sac模型使用的带宽资源较少，而pso方法则浪费了更多的计算资源。
80.综上所述，gs2l模型在安全服务功能链嵌入和资源分配问题上的表现优于gsac和sac方法。这进一步验证了图神经网络(gnn)和门控循环单元(gru)在模型中的有效性和重要性，它们为模型提供了更好的学习能力和表达能力，使其能够更好地应对高维度的问题。
81.至此，已经对本发明的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
82.需要说明的是，本发明实施例中所有方向性指示(诸如上、下、左、右、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
83.在本发明的描述中，术语“第一”、“第二”仅用于方便描述不同的部件或名称，而不能理解为指示或暗示顺序关系、相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
84.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
85.需要说明的是，虽然结合附图对本发明的具体实施例进行了详细地描述，但不应理解为对本发明的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属于本发明的保护范围。
86.本发明实施例的示例旨在简明地说明本发明实施例的技术特点，使得本领域技术人员能够直观了解本发明实施例的技术特点，并不作为本发明实施例的不当限定。
87.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种基于深度强化学习的工业物联网切片安全服务配置方法，其特征在于，包括：搭建工业物联网架构，所述工业物联网架构包含终端设备、网络切片模块、虚拟安全网络功能模块、编排模块和物理网络；在所述虚拟安全网络功能模块中，基于软件定义网络和网络功能虚拟化技术，对用户的安全服务请求进行建模，得到安全服务请求模型；基于安全服务网络功能实例和安全服务功能链进行模型训练，得到安全服务功能链部署方案；基于网络切片的切片特征、所述网络切片的请求分布和简化的动作空间，将所述安全服务功能链嵌入所述工业物联网架构。2.根据权利要求1所述的方法，其特征在于，所述工业物联网架构中，不同的网络切片，具有不同的分布；所述网络切片模块基于所述切片特征，对所述网络切片的分布进行调整。3.根据权利要求1所述的方法，其特征在于，所述安全服务请求模型包含虚拟化的安全服务功能链、多维度安全级别和资源定价因素。4.根据权利要求3所述的方法，其特征在于，还包括：所述终端设备将所述安全服务请求发送给网络运营商；所述网络运营商基于所述安全服务功能链部署方案，确定映射到对应虚拟安全网络服务功能上的安全服务网络功能实例；通过服务满意度指标满足所述安全服务功能链部署方案，其中，所述服务满意度指标包括安全等级和服务资源。5.根据权利要求4所述的方法，其特征在于，所述安全等级通过以下方式计算得到：基于所述安全服务网络功能实例和其对应的虚拟安全网络功能，比较其预期的安全级别和实际提供的安全级别之间的关系；通过指示函数来表示每个对应关系是否满足所述安全等级，如果所述预期的安全级别值大于或等于所述实际提供的安全级别值，则表示所述对应关系满足所述安全等级。6.根据权利要求4所述的方法，其特征在于，所述资源定价因素包括所述计算资源和带宽资源；所述服务资源通过以下方式计算得到：通过效用函数来表示对所述计算资源和所述带宽资源的满意度。7.根据权利要求1所述的方法，其特征在于，所述基于网络切片的切片特征、所述网络切片的请求分布和简化的动作空间，将所述安全服务功能链嵌入所述工业物联网架构，包括：通过图神经网络对网络切片进行切片特征提取；通过gru模型进行学习和预测，得到所述网络切片的请求分布；通过序列到序列模型简化动作空间；基于所述切片特征、所述请求分布和所述简化的动作空间，将所述安全服务功能链嵌入所述工业物联网架构中。

技术总结
本发明提供了一种基于深度强化学习的工业物联网切片安全服务配置方法。基于深度强化学习的工业物联网切片安全服务配置方法包括：搭建工业物联网架构，工业物联网架构包含终端设备、网络切片模块、虚拟安全网络功能模块、编排模块和物理网络；在虚拟安全网络功能模块中，基于软件定义网络和网络功能虚拟化技术，对用户的安全服务请求进行建模，得到安全服务请求模型；基于安全服务网络功能实例和安全服务功能链进行模型训练，得到安全服务功能链部署方案；基于网络切片的切片特征、网络切片的请求分布和简化的动作空间，将安全服务功能链嵌入工业物联网架构。本发明的方法在面对大量的网络切片和业务请求时，可制定出有效的安全策略和资源优化方案。策略和资源优化方案。策略和资源优化方案。


技术研发人员：张荣庆 魏智伟
受保护的技术使用者：同济大学
技术研发日：2023.06.30
技术公布日：2023/10/11