Dynamic Resource Allocation for 5G Network Slicing: A Comparative Study of Optimization-Based and Learning-Driven Strategies

Abstract

The advent of Fifth Generation (5G) and the emergence of network slicing have enabled multiple logical networks to coexist on a shared physical infrastructure, each tailored to heterogeneous services with distinct quality of service requirements, such as Enhanced Mobile Broadband (eMBB), Ultra-Reliable Low-Latency Communications (URLLC), and Massive Machine-Type Communications (mMTC). However, efficiently allocating radio, computing, and transport resources across slices while preserving strict performance isolation remains a major challenge. Static resource allocation guarantees isolation but leads to underutilisation, whereas dynamic sharing improves efficiency at the risk of violating service level agreements. This thesis conducts a systematic comparative study of representative resource allocation strategies for 5G network slicing, namely heuristic (e.g., static partitioning, thresholdbased borrowing), optimisation-based (e.g., convex programming, utility maximisation), and learning-driven approaches (e.g., reinforcement learning with continuous action spaces). All strategies are evaluated under identical simulation conditions, considering dynamic Vehicleto- Everything (V2X) traffic, multiple slice types, and real-time overload events. Performance is assessed using key indicators: resource utilisation, inter-slice isolation, quality of service satisfaction, and adaptability. The results quantify the inherent trade-offs between efficiency and isolation. Learningdriven methods demonstrate superior adaptability and utilisation but require careful training to avoid instability. Optimisation-based approaches offer strong theoretical guarantees but react slowly to sudden traffic bursts. Heuristic strategies are simple and robust yet waste significant capacity. Based on these findings, practical guidelines are provided for selecting an appropriate strategy according to deployment priorities. Finally, open challenges and future research directions in dynamic resource lending for 5G network slicing are identified.***

L’avènement de la Fifth Generation (5G) et du découpage de réseau (network slicing) permet à plusieurs réseaux logiques de coexister sur une même infrastructure physique, chacun étant adapté à des services hétérogènes ayant des exigences de qualité de service distinctes, telles que le Enhanced Mobile Broadband (eMBB), les Ultra-Reliable Low-Latency Communications (URLLC) et les Massive Machine-Type Communications (mMTC). Cependant, l’allocation efficace des ressources radio, de calcul et de transport entre les tranches tout en préservant un strict isolement des performances reste un défi majeur. L’allocation statique garantit l’isolement mais conduit à une sous‑utilisation, tandis que le partage dynamique améliore l’efficacité au risque de violer les contrats de niveau de service. Cette thèse présente une étude comparative systématique des stratégies représentatives d’allocation de ressources pour le découpage de réseau 5G, à savoir les approches heuristiques (partitionnement statique, emprunt basé sur des seuils), les approches basées sur l’optimisation (programmation convexe, maximisation d’utilité) et les approches pilotées par l’apprentissage (apprentissage par renforcement avec espaces d’actions continus). Toutes les stratégies sont évaluées dans des conditions de simulation identiques, prenant en compte un trafic dynamique de type Vehicle-to-Everything (V2X), plusieurs types de tranches et des événements de surcharge en temps réel. Les performances sont mesurées à l’aide d’indicateurs clés : utilisation des ressources, isolation entre tranches, satisfaction de la qualité de service et adaptabilité. Les résultats quantifient les compromis inhérents entre efficacité et isolation. Les approches pilotées par l’apprentissage offrent une adaptabilité et une utilisation supérieures, mais nécessitent un entraînement minutieux pour éviter l’instabilité. Les approches par optimisation fournissent de solides garanties théoriques mais réagissent lentement aux pics de trafic soudains. Les stratégies heuristiques sont simples et robustes, mais gaspillent une capacité significative. Sur la base de ces constats, des recommandations pratiques sont fournies pour choisir la stratégie appropriée en fonction des priorités de déploiement. Enfin, les défis ouverts et les directions futures de recher