一种用于 6G 网络切片控制的协作统计 Actor-Critic 学习方法
网络与互联网体系结构
2022-01-25 v1
摘要
人工智能 (AI) 驱动的零接触大规模网络切片被展望为超5G (B5G)/6G 中的一项颠覆性技术，其中租户将以先进数字用例的形式扩展至最终消费者。在本文中，我们提出一种新颖的免模型深度强化学习 (DRL) 框架，称为协作统计 Actor-Critic (CS-AC)，其基于移动边缘计算 (MEC) 与大规模多输入多输出 (mMIMO) 构建的 6G 类 RAN 场景中实现可扩展且有远见的切片性能管理。就此意图，所提 CS-AC 旨在长期统计服务级别协议 (SLA) 下优化时延成本。特别地，我们考虑第 Q 时延百分位 SLA 度量，并对其施加一些切片特定的预设约束。此外，为实现分布式学习器，我们提出一种改进版的软 Actor-Critic (SAC)，具有更低的超参数敏感性。最后，我们给出数值结果以展示所采用方法在我们构建的基于 OpenAI 的网络切片环境中的增益，并验证在时延、SLA 第 Q 百分位与时间效率方面的性能。据我们所知，这是首项研究在统计 SLA 下大规模网络切片 AI 驱动方法可行性的工作。
引用
@article{arxiv.2201.08990,
title = {A Collaborative Statistical Actor-Critic Learning Approach for 6G Network Slicing Control},
author = {Farhad Rezazadeh and Hatim Chergui and Luis Blanco and Luis Alonso and Christos Verikoukis},
journal= {arXiv preprint arXiv:2201.08990},
year = {2022}
}