服务生成网络白皮书 2023-未来网络大会白皮书

I前言随着人工智能技术的不断发展和普及，服务生成网络(Service，以实现智能化网络服务的自动生成和定制化。前言 I 一、引言 1络的愿景 3、服务生成网络架构 5 数字孪生网络映射层 8深度全可编程网络层 9 4.2意图驱动网络技术 214.3网络自动化配置 244.4数字孪生网络技术 274.5全可编程网络基础设施 344.6深度强化学习网络优化 40与用例 49化场景用例 49能部署场景用例 58能管理控制用例 64挑战与趋势 70大模型训练的挑战 70与泛化迁移的挑战 72隐私与安全的挑战 73七、总结 76 参考文献 781服务生成网络(ServiceGenerationNetwork，SGN)是一种先进 络和网络优化等能力。SGN旨在根据用户的请求或需求智能化的生SGN利用意图驱动网络技术，理解用户通过自然语言或其他形响应。SGN融合了自动化网络配置功能，使其能够根据生成的服务和高操作软件接口和编程语言进行控制和定制。这种可编程性使得SGN2化的服务解决方案。3网络的愿景(1)在网络中用大语言模型自动化生成网络领域所需的生成文(2)在网络中采用设计大模型，设计网络协议、路由算法、调网与泛在优化。(3)在网络中用决策大模型，压缩信息特征并将知识符号化，45络架构ence型(LLM，largelanguagemodel)和大(型)决策模型(LDM，largel行GAI优化以实现决策模型的意图保障与验证，如支持网络协议、括语言模型GPT-4、PaLM(PathwaysLanguageModel)和LLaMA6(LargeLanguageModelMetaAI)模型等。GAI生成的智能方案包含三个阶段：(1)自动设计：首先，根据网络场景与用户意图设计并生成新(2)优化部署：基于意图需求自动生成网络部署方案，例如在(3)智能管控：GAI感知物理网络环境，学习历史配置操作数字孪生网络虚实映射与配置验证特性以及可编程网络数据平面深度7C3孪生北向接口B孪生南向接口高效数据测量控制指令下发可编程网络端侧设备可编程网络交换设备软件定义与硬件加速转发逻辑可编程管理络安全存储物理网络资源可编程CPU+SmartNIC/DPU数据平面高性能编程语言协议无关性可重构配置平台无关性FPGAASICNP...MPC3孪生北向接口B孪生南向接口高效数据测量控制指令下发可编程网络端侧设备可编程网络交换设备软件定义与硬件加速转发逻辑可编程管理络安全存储物理网络资源可编程CPU+SmartNIC/DPU数据平面高性能编程语言协议无关性可重构配置平台无关性FPGAASICNP...MP基础模型库GAI大模型训练学习生成式AI知识图谱强化学习GAI赋能意图驱动层大型语言模型LLM意图文本意图实体GAI意图转译LLaMAGPT-412大型决策模型LDM预训练流量矩阵M成本开销YX/重训练微调XZ基础模型库GAI大模型训练学习生成式AI知识图谱强化学习GAI赋能意图驱动层大型语言模型LLM意图文本意图实体GAI意图转译LLaMAGPT-412大型决策模型LDM预训练流量矩阵M成本开销YX/重训练微调XZ 智能决策生成意图驱动闭环反馈意图输入意图验证意图保障大型决策模型LDM智能方案优化智智能网络解决方案GAI优化自动设计网络切片按需定制智能管控遥测分析智能调度驱动意图反馈数字孪生网络映射层服务映射模型质量保障3网元模型拓扑模型意图反馈数字孪生网络映射层服务映射模型质量保障3网元模型拓扑模型流量建模调度优化网络规划21功能模型共享数据仓库运行状态数据管理数据采集数据模型用户业务数据服务基础模型虚拟数字孪生网络数数字孪生体管理模型管理安全管理资源调度用户管理业务适配 网络控制与编排设备管理跨域协同时延保障意图管理拓扑管理深度全可编程网络层低延时/高速率转发性能协深度全可编程网络层低延时/高速率转发性能协议解析可编程低成本定制化可编程能力 卸载CPU工作负载多类基础设施操作卸载高性能可编程数据分组处理芯片零信任信息安全保护83.2数字孪生网络映射层行高效的操作和配置，所示，数字孪生网络映射层基于DTN(digitaltwinnetwork)架构[6]9域协同、时延保障等功能。对CPU算力的消耗同时降低业务的传输时延，提高数据测量上智能网络方案输入与抽象化意图反馈[7][8]。3.3深度全可编程网络层CPU为应用提供更多的处理能力[3]，包括智能网卡(SmartNIC，smartnetworkinterfacecard)和数据与零信任信息安全保护。受的目applicationspecificintegratedcircuit列(FPGA,fieldprogrammablegatearray)、网络处理器(NP,networkprocessor)等。4.1生成式人工智能与前景。人工智能目前已应用于如金融、娱乐、新能源、医疗、生成式人工智能(GAI，Generativeartificialintelligence，也称经元)组成，可以通过学习输入数据的统计规律，来创造新的数据，、场规模将至(1)生成式人工智能技术原理生成式人工智能基本原理是通过训练模型来学习并预测数据的处理、模型训练和数据生成。1)数据预处理：将原始数据转换为模型可处理的格式，如将文RNN或变分自编码器(VAE)(2)生成式人工智能技术应用。户偏好和特定标准(如流派、风格或情绪)的音乐。I训练与微调、内容推理与生成[15]。[16]。设备和用户终端的连接，确保数据能够顺利传输到数据平台。 工作，进一步提高模型的性能和鲁棒性。第四步是推理与生成，分别是内容生成、用户输入和内容推理。1.2GAI关键技术。Transformer是一种序列建模方法，可应用于自然语言和视觉处信息[23]。多头注意力机制通过并行计算多个注意力头，从不，并考虑到源语言的上下文信息[23]。件、采样阶段和去噪阶段[47][48]。像素空间[47][48]。在DiffusionModel中，条件编码器采用的是CLIP(ContrastiveDiffusionModel可以在生成和去噪阶段中利用图像和文本的语义信更准确和有语义一致性的图像生成[47][48]。UNet由编码器-解码器组成。编码泛化能力[49]。4.2意图驱动网络技术4.2.1SGN知识图谱技术0]在意图驱动网络中扮(1)实体和关系：知识图谱中的实体是各种与服务生成相关的成的服务之间的匹配关系等。(2)多模态信息：知识图谱不仅包含文本信息，还可以包含图、富有表现力的网络服务。(3)知识融合：知识图谱是从各种数据源和知识库中整合得到(4)语义表示：知识图谱采用语义化的表示方式，使用RDF ge(5)查询和推理：SGN利用知识图谱进行数据的查询和推理，知识图谱在SGN中充当了信息整合和语义理解的桥梁，它为SGN提供了强大的知识管理和推理能力。通过不断丰富和完善知识largelanguagemodel)和大型决策模型(LDM，largedecision-making(NLP)和机器学习，旨在实现更智能、更个性化的网络服务体验。别：意图驱动网络首先通过NLP技术解析用户的自然语中识别出用户的意图。例如，用户可能提出查询、请求、。得网络服务变得更加智能化、个性化，满足用户不断变化的需求，率。4.3网络自动化配置4.3.1网络自动化配置简介，例如登录路由器、化离不开在操作系统(OS)命令行界面(CLI)级别上编程的链接脚]。从最基本的层面上讲，可以使用标准CLI命令和参数来自动化根据前面命令的成功(&&)或失败(||)来链接事件。或者，用户可以将命令列表编译成文本文件(称为Shell脚本)，从而通过一个执可以从应用的前端选择、调度和执行这些程序。例如，红帽Ansible自动化平台可以将应用编程接口(API)、插件、清单及模块打包成用4.3.2LLM自动化网络配置SGN采用大型语言模型或者大型决策模型完成命令行自动化和例如，当LLM训练数据集合中含有网络配置相关的bash命令力的时候，并在孪生体中测试验证符合一定指标预期，可通过LLM(3)网络设备配置：将网络设备配置信息以Yang格式定义。Netconf服务器将接收客户端的配置请求，并通过大语言模型将其转的稳定性。(6)网络拓扑管理：如果大语言模型部署在多个服务器上，可(7)安全性考虑：在配置网络时，需要考虑安全性问题。确保行配置操作。此外，还可以限制对敏感配置的访问权限。(8)监控和日志：实现对大语言模型配置网络过程的监控和日4.4数字孪生网络技术4.4.1数字孪生网络技术简介(1)数字孪生网络的背景和定义数字孪生网络是一种将现实世界中的物理实体或系统映射到虚所构成的虚拟模型。通过数字孪生网络，我们可以实时地监测、(2)数字孪生网络的作用和优势行预测性维护和决策支持至关重要。4.4.2数字孪生网络的构建过程(1)数据测量和传感器技术数字孪生网络的构建首先需要测量现实世界物理实体或系统的数据测量频率和精度数据测量的频率和精度对数字孪生网络的质量和实时性至关重(2)数据预处理和清洗数据对齐和同步处理的关键环节。(3)建模和仿真，学习模型。仿真算法和工具4.4.3数字孪生网络的关键技术(1)数据融合与集成。数据集成与转换(2)模型开发与优化数优化与模型选择。字孪生网络的稳定性和性能。(3)实时数据更新与反馈基于反馈的模型更新和优化(4)可视化与交互界面优化方案。可视化分析工具可视化分析工具可以帮助用户深入挖掘数字孪生网络的数据和4.4.4数字孪生网络未来发展与挑战(1)未来数字孪生网络的发展方向自主学习与优化建(2)数据安全与隐私保护私保护法规(3)大规模数字孪生网络的挑战。时性和延迟(4)人工智能和边缘计算的融合成为一项重要的技术挑战。模型优化和压缩4.5全可编程网络基础设施4.5.1P4可编程网络可编程能力主要体现在软件定义网络(SDN，software-definedng口并进行管理，实现网络功能的按需管控与新业务快速部署。例如OpenFlow协议[1]可定义控制器与转发设备间的行为机制，向网络设相关研究采用软件编程方式设定数据分组的处理流程并在芯片中编对转发行为的定义，完成访问控制列表(ACL,accesscontrollist)过可编程[2]。服务生成网络(ServiceGenerationNetwork，SGN)结合了P4 程技术，为网络提供了更高度定制化和灵活性的全可编程解决方案。P4是一种面向数据包处理器的可编程语言，它使网络管理员能P(2)多协议支持：P4支持多种网络协议的定义和处理。SGN可SGN能够适.5.2白盒交换机机相对应。它具有以下特点和优势：根据特定需求和应用场景定制和编程交换机的数据包处理和流转规和可定制的功能。DN盒交换机在一些特定场景下可能更适合专业的网络管理团队和网络高网络系统全可编程性。智能网卡是一种在网络接口控制器(NIC)上集成了处理和加速则在网卡上集成了更多的处理能力，如数据包处理、流量分析、以卸载主机CPU的部分(网络)工作负担，DPU(DataProcessingUnit)是一种专门用于数据处理和加速的络任务。DPU处它们为服务生成网络的全可编程性和智能化提供了重要的技术支持。(1)发展方向SGN的发展将趋向于更大的灵活性和定制化。全可编程网络基自适应和智能化通过实时监测网络状态，SGN可以动态地调整端到端服务生成的策SGN各个板库供重复调用。开放标准和协议SGN的发展将促进开放标准和协议的制定，使得不同厂商的设SGN(2)面临的挑战0性能和效率SGN编4.6深度强化学习网络优化4.6.1深度强化学习基本原理体(Agent)与环境(Environment)进行交互，从而学习如何在复杂1策略迭代动作策略迭代智能智能体环境状态，奖励RL主要由智能体(Agent)、环境(Environment)、状态(State)、动作(Action)、奖励(Reward)和策略(Policy)组成。智能体根据高训练效率和稳定性，最终实现对复杂任务的高效学习和决策能力。4.6.2深度强化学习网络优化网络优化问题是在计算机网络中寻找最优解或最佳配置的挑战2(1)网络拓扑优化网络拓扑是指网络中各个节点(计算机、交换机、路由器等网络常见的网络拓扑有星型拓扑、总线拓扑、树状拓扑等，如下图所示。a(b)总线拓扑(c)树形拓扑L3(2)路由规划直接影响网络性能。常见的路由规划算法包括静态路由、动态路由、源节点RLDRL法还网络状态，r4网络控制器网络状态上传路由下发源节点源节点(3)流量控制的数据传输路径，避免网络拥塞和冲突。常见的流量调度算法包括：PathECMP轮询调度算法(Round-RobinScheduling)等。以上的流量调度方法，缺乏灵活性，5源节点源节点a算法执行前示意图基于DRL的集中式网络控制器网络状态上传流量调度策略下发源节点源节点b法执行后示意图DRL量调度64.6.3SGN大语言模型优化络优化方案，解决网络可扩展问题。和吞吐量。大载均衡。7RLLLM上述基于深度强化学习和大语言模型的网络技术可以用来实现成本4.6.4未来发展与挑战L89络场景与用例。(1)网络智能规划和优化(2)网络智能部署(3)网络智能管理控制5.1网络智能规划和优化场景用例质量等。用户体验[34]。其多维度分析能力和专业规划工具的支持，实现网络的全面优化。施网络优化，提升网络性能和用户体验[35]。5.1.1空地协同无线网络规划方案设计系统和卫星通信系统已无法有效满足广域智慧连接和全球泛在无缝线网络具有网络异质异构、空中节点高度动态、拓扑结构复杂易变、服务生成网络通过生成式人工智能关键技术可以为空地协同无(1)基于服务生成网络的无线用户需求获取(2)基于服务生成网络的最优方案推荐为用户推荐出合理的服务需求方案可以减少用户服务需求变更费或者资源不足，的网络规划难度。(3)基于服务生成网络的通信业务需求预测(4)基于服务生成网络的网络规划方案设计(5)基于服务生成网络的方案评估与建议(6)基于服务生成网络的网络规划配置生成5.1.2智能网络性能评估与指标优化建议能网络优化，包括在对智能网络运行状况有充分数据支撑的前提下，络优化依赖维护人员经验以及生产商所提供的一些智能网络优化工化及连续性。划与优化场景中有如下用例：(1)无线网络规划(2)网络资源效率优化网络存在的问题，云计算存储优化等常见问题根据决策模型生成网络资源优化配置方(3)网络内生智能优化影响程度。然后，节点的关联节点，5.1.3智能网络数据流量生成成任意所需的、包含不同IP包头包格式、不同流量模型分布的仿真(1)数据测量与预处理。(2)特征提取与分析特征。。(3)智能生成模型的训练(GenerativeAdversarialNetwork，GAN)。(4)数据生成通过调整生成模型的参数和随机采样，可以生成不同IP包头包仿真数据集。(5)数据集评估与优化(6)数据集使用验证。同时，保障网络数据的隐私和安全也是极其重要的考虑因素。5.2网络智能部署场景用例G务、运营效率[37]。.2.1智能语义编解码相关特征(如接收信号强度、信噪比和信道脉冲响应等)作为大语言接收端的语义解码系统采用大语言模型基于收到的信息重新生成文识码器解码器码器 物理信道识码器解码器码器 物理信道识识码器发送器接收发送器语义编码器LLM短信息长信息语义编码器LLM短信息长信息码器Q1:Canyouencodethefollowingtextintoacompactpromptwhichcanbeusedforrecoveringtheoriginaltext:Artificialintelligencewasfoundedasanacademicdisciplinein1956.Thefieldointmentandlossoffunding,butafter2012,whendeeplearningsurpassedallpreviousAItechniques,therewasavastincreaseinfundingandinterest.[语义编码器]A1(LLM):Certainly!Here'sacompactpromptthatcanbeusedtorecovertheoriginaltext:AIfoundedin1956.Cyclesofoptimism,disappointment,fundingloss.After2012,deeplearningsurpassedprevioustechniques,leadingtovastfundingincrease.deeplearningsurpassedprevioustechniques,leadingtovastfundingincrease解码器]A2(LLM):Certainly!Here'sthedetailedtextcorrespondingtothecompactprompt“Artificialintelligencewasfoundedasanacademicdisciplinein1956.Overtheyears,thefieldwentthroughmultiplecyclesofoptimism,followedbydisappointmentandlossoffunding.However,afterthebreakthroughsin2012,specificallywiththesuccessofdeeplearningsurpassingallpreviousAItechniquestherewasasignificantincreaseinfundingandinterestinthefieldofAI.”.2.2智能异构设备接入设计服务生成网络的智能异构设备接入方案需要结合大语言模型(LLM)和自动化技术，以实现对各厂商设备操作手册的学习和训包括但不限于以下步骤：(1)数据获取与预处理则等。(2)大语言模型学习和训练(3)异构指令的统一指令格式。(4)设备自动化接入。(5)异构设备管理。(6)持续学习迭代册的学习和训练。智能异构设备接入方案可以极大地提高设备接入的效率和精确例如图5-2所示。SDN同化设备商SDN同化设备商配置文件初级设备模型LLM映射LLM解析器初级设备模型LLM映射LLM解析器LLMLLM映射器验证器CLI统一设备模型5.2.3SGN数字孪生网络应用(1)故障诊断与预测断速诊断故障，预测性维护(2)性能优化与资源管理资源调度与利用降低成本。(3)智能决策支持数字孪生网络的模拟和预测能力为智能决策提供了强有力的支而提高效率和竞争力。应用于服务生成网络的实例5.3网络智能管理控制用例智能网络管理控制是一种利用先进技术和智能算法来实现网络[38]。5.3.1智能网络切片服务定制请设定1个切片：云节点2和接入点1连接,带宽10Gbps，需要流量保护接入2到云2，2Gbps，强制切请设定1个切片：云节点2和接入点1连接,带宽10Gbps，需要流量保护接入2到云2，2Gbps，强制切片流量保护网络切片场景微调后的LLM5Gbps接入32Gbps210Gbps1我的接入点是3，我需要切片连接到云节点1，带宽为5G，无需保护带宽10Gbps5Gbps2Gbps切片云节点云节点2云节点1云节点2切片接入点接入点1接入点3接入点2流量保护是否是云云21.3.2智能网络故障自愈在这样的背景下，网络运营商面临着前所未有的故障自愈挑战。]。SGN5.3.3智能异常流量攻击检测成网络可以综合运用生成对抗网络(GAN)来实现异常流型(LLM)。(1)数据测量与预处理备。(2)异常流量检测模型构建使用生成对抗网络(GAN)构建一个生成模型和一个判别模型。生成模型(生成器)用于生成伪造的正常流量数据，判别模型(判别器)用于区分真实的正常流量数据和伪造的流量数据。(3)异常流量分类训练(4)异常流量检测将生成的伪造流量数据与真实流量数据一起输入判别模型进行(5)大语言模型辅助检测利用大语言模型(LLM)对网络流量数据中的文本信息进行理解(6)模型优化和持续学习该智能异常流量攻击检测用例利用了生成对抗网络的生成能力络的挑战与趋势6.1通用大模型训练的挑战I的解决方案往往采用数据并行或模型并行的方式将计算任务划分成效的跨异构算力平台的通用化大模型训练是服务生成网络领域的一型需要具体考虑以下问题。(1)智能模型高效计算索的问题。针对大模型在工程应用中存在训练时间长、推理效率低、技术等，而常用的加速技术包括梯度压缩、避免跨机通讯等。此外，大模型的高效推理是实现工程应用落地的关键所在。相对训练环节，存带宽，所以不仅要在保证低延迟的前提下，尽可能节省计算资源，部署阶段可以通过分布式推理、批量推理、算子融合、硬件加速等，(2)智能模型可控生成6.2部署与泛化迁移的挑战人工智能的普惠目标是让每个人都能享受到智能技术带来的便境，泛化迁移是指将大模型从源域(如训练数据集)适应到目标域(如新的任务或领域)。这两个挑战涉及到大模型的轻量化、自适应和可拥人脸识别、机器翻译等。然而，边缘设备也有计算能力、存储空间、高模型的泛化能力。6.3数据隐私与安全的挑战述。丢失或者歧义性增加，型的多次输出去获取训练过程中使用过的数据的分布实现数据窃取管政策，确保数据的合规性，以避免违反国家相关法律规定。七、总结通过大型语言模型或者大型决策模型以自动化方式生成各种类型的G物联网和边缘计算等相结合，ationnetworktiveartificialintelligencetentdrivennetwork大(型)语言模型anguagemodel大(型)决策模型cisionmodelDigitaltwinnetworkgrammablenetworkeepreinforcementlearningkinterfacecardataprocessingunitledgegraphNACNetworkautomaticconfigurationNTGNetworktrafficgenerationmaltrafficdetectionnganddecodingerogeneousdeviceaccessNSSNetworkslicingservicersonHBalakrishnanetalOpenFlowenablingmpusnetworksJACMSIGCOMMcomputercommunicationreview74.[2]黄韬,刘江,汪硕,等.未来网络技术与发展趋势综述[J].通信学报,2021,[3]马潇潇,杨帆,王展,等.智能网卡综述[J].计算机研究与发展,2022.planeflexibilityandprogrammabilityinsoftwaredefinednetworkingJIEEEAccess,7:-47840.enablingtechnologieschallengestrendsandfutureprospects[J].IEEECommunications[6]孙滔,周铖,段晓东,等.数字孪生网络(DTN):概念,架构及关键技术[J].GroshevMGuimaresCMartnPrezJetalTowardintelligentcyber-physicalemsDigitaltwinmeetsartificialintelligenceJIEEECommunicationsMagazine21,59(8):14-20.llisseJetalNetworkDigitalTwinContextandOpportunitiesJIEEECommunicationsMagazine-27.JetalAsurveyoflargelanguagemodelsarXivpreprintmakingProblemsmethodsandopportunitiesarXivpreprintarXiv:2303.04129,2023.SequenceModelsforSequentialDecisionrXivNetworkTrafficarXivpreprintarXiv3,2023.ChowdheryANarangSDevlinJetal.Palm:ScalinglanguagemodelingwithpathwaysarXivpreprintarXiv2311,2022.LlamaOpenandefficientfoundationBrownTBMannBRyderNetal.LanguageModelsareFew-ShotLearnersJ.QinZhangetal.3.[17]TuğçeÇelik.2023.TheRoleofArtificialIntelligenceforTheArchitecturalPlansignAutomationinDecisionmakingInProceedingsofthethceonMachineLearningTechnologiesICMLThttpsdoiorg9883.3589903sinSpeculativeClimateFuturesInProceedingsofthe15thConferenceonCampCAssociationforComputingMachineryNewYorkNYUSAhttpsdoiorg45/3591196.359334119]SangjunLee,DonggeunKo,JinyongPark,SaebyeolShin,DongheeHong,andoDeepfakeDetectionforFakeImageswithFacemasksInestWorkshoponSecurityImplicationsofDeepfakesandUSA,27–30./10.1145/3494109.3527189NNguyenandSNadi"AnEmpiricalEvaluationofGitHubCopilot’sCodeestionsIEEEACMthInternationalConferenceonMiningtoriesMSRPittsburghPAUSAppdoi05(008).DOI:10.28468/ki.njsjb.2023.000100.XuMDuHNiyatoDetal.Unleashingthepowerofedge-cloudgenerativeAIrXivpreprintvyouneedCAdvancesinneuralinformationprocessingsystems,2017,30.-07-knscnkinetkcmsdetailTPhtmlrImageSegmentationppyleDisentanglementinArtAnalysisIneedingsoftheACMInternationalConferenceonMultimediaRetrieval208./10.1145/3591106.3592262JShaoandXLi“GeneralizedZero-ShotLearningWithMulti-ChannelreVAEIEEESignalProcessingLettersvolppijianLuMiaomiaoCui,XuansongXie,Xian-ShengHua,andChunyanMiao.2022.viaCLIPInProceedingsofthethCMInternationalConferenceonMultimediaMMAssociationforhttpsdoiorg3161.3547935ningArchitectureforSegmentationofVascularfferedningExplainableArtificialIntelligenceandBiasIEEEAccessvol[31]吴畏虹.软件定义骨干网段路由技术研究.北京邮电大学,2021.DOI:10.26969/ki.gbydu.2021.000091.networkarchitecturebasedonspaceairgroundintegratednetwork,”2017IEEEthInternationalConferenceonCommunicationSoftwareandNetworksICCSNGuangzhouChina,2017,pp.798-803,doi:NBenjaminSliwaManuelPatchouKarstenHeimannandChristianWietfeld.oundbasedVehicularNetworkswithnsLIMoSimInProceedingsoftheWorkshoponnsWNShttpsdoiorg9400.3389407ZhangZMuXTuCetal.HierarchicalnetworkplanningofdistributedetzeroenergycommunityJCleanTechnologiesandlanningwithdeepreinforcementlearningCProceedingsoftheACMSIGCOMMConference.2021:1.[36]秦宏志.空地协同网络的智能缓存机制研究[D].沈阳航空航天大学,2022.DOI:10.27324/ki.gshkc.2022.000373.GarridoHidalgoC,HortelanoD,Roda-SanchezL,etal.IoTheterogeneousmeshnetworkdeploymentforhumanin-the-loopchallengestowardsasocialandsustainableIndustryJIEEEAccess8,6:28417-28437.DanielRozhkoandPaulChowTheNetworkManagementUnitNMU:gNetworkAccessforDirectConnectedFPGAsInProceedingsoftheonalSymposiumonFieldProgrammableGate232–241./10.1145/3289602.3293903yambasAANAnandaKusumaandEMulyanaNetworkhmsCaseStudyVirtualNetworkEmbeddingthrenceonTelecommunicationSystemsServicesandApplications(TSSA,Bandung,Indonesia,2020,pp.1-5,doi:3-953.basedsyntheticIPheadertracegeneration