SliceVision-F2I: A Synthetic Feature-to-Image Dataset for Visual Pattern Representation on Network Slices
Created by
- Haebom
Category
Empty
저자
Md. Abid Hasan Rafi, Mst. Fatematuj Johora, Pankaj Bhowmik
개요
5G 및 6G 네트워크의 출현으로 네트워크 슬라이싱이 미래 서비스 지향 아키텍처의 중요한 부분이 되었으며, 강력한 데이터 세트를 기반으로 하는 정교한 식별 방법이 요구됩니다. 본 논문은 차세대 네트워킹 시스템의 네트워크 슬라이싱에서 특징 시각화를 연구하기 위한 합성 샘플 데이터 세트인 SliceVision-F2I를 제시합니다. 이 데이터 세트는 다변량 KPI(Key Performance Indicator) 벡터를 물리적으로 영감을 받은 매핑, Perlin 노이즈, 신경 벽지, 프랙탈 브랜칭의 4가지 인코딩 방식을 통해 시각적 표현으로 변환합니다. 각 인코딩 방식에 대해 30,000개의 샘플이 생성되며, 각 샘플은 원시 KPI 벡터와 저해상도 픽셀의 해당 RGB 이미지로 구성됩니다. 이 데이터 세트는 운영 불확실성 및 측정 결함을 반영하기 위해 현실적이고 노이즈가 있는 네트워크 조건을 시뮬레이션합니다. SliceVision-F2I는 시각적 학습, 네트워크 상태 분류, 이상 감지, 네트워크 데이터에 적용된 이미지 기반 기계 학습 기법의 벤치마킹과 관련된 작업에 적합합니다. 데이터 세트는 공개적으로 사용할 수 있으며 다변량 시계열 분석, 합성 데이터 생성 및 특징-이미지 변환을 포함한 다양한 연구 맥락에서 재사용할 수 있습니다.
시사점, 한계점
•
5G 및 6G 네트워크 슬라이싱 연구를 위한 시각적 학습, 네트워크 상태 분류, 이상 감지 등 다양한 연구 분야에 활용 가능한 데이터셋 제공.
•
다양한 인코딩 방식을 통해 KPI 벡터를 이미지로 변환하여 시각적 분석 및 이미지 기반 머신러닝 모델 개발 가능성을 제시.
•
현실적인 네트워크 환경을 시뮬레이션하여 실제 환경에서의 성능 평가 및 연구에 기여.
•
데이터 세트의 활용 범위를 다변량 시계열 분석, 합성 데이터 생성 등 다양한 분야로 확장 가능.
•
저해상도 이미지를 사용함으로써 이미지의 상세 정보가 제한될 수 있으며, 특정 이미지 기반 모델에 최적화될 가능성 존재.
•
합성 데이터의 한계로 인해 실제 네트워크 환경과의 차이가 존재할 수 있음.
•
데이터 세트 생성에 사용된 특정 인코딩 방식의 한계 및 성능에 대한 추가적인 분석 필요.
