基于深度强化学习的成本与能耗感知多流移动数据卸载方法
网络与互联网体系结构
2018-02-07 v1
摘要
随着移动数据需求的快速增长，移动网络运营商正试图通过部署无线局域网（LAN）热点来扩展无线网络容量，以将移动流量卸载至其上。然而，这些以网络为中心的方法通常无法满足移动用户（MUs）的利益。考虑到不同应用的截止时间、货币成本和能耗等诸多问题，移动用户如何决定是否将其流量卸载到互补的无线局域网是一个重要问题。先前研究假设移动用户的移动模式已知，但这并非总是成立。本文研究在移动用户移动模式未知的情况下，最小化其货币成本和能耗的策略。我们提出使用一种称为深度Q网络（DQN）的强化学习技术，使移动用户从过往经验中学习最优卸载策略。在所提出的基于DQN的卸载算法中，不再需要移动用户的移动模式。此外，移动用户的剩余数据状态被直接输入DQN中的卷积神经网络而无需离散化。因此，不仅先前工作中存在的离散化误差消失，而且使所提算法具备泛化过往经验的能力，这在状态数量较大时尤为有效。我们进行了大量仿真以验证所提出的卸载算法。
引用
@article{arxiv.1802.01970,
title = {A Deep Reinforcement Learning Based Approach for Cost- and Energy-Aware Multi-Flow Mobile Data Offloading},
author = {Cheng Zhang and Zhi Liu and Bo Gu and Kyoko Yamori and Yoshiaki Tanaka},
journal= {arXiv preprint arXiv:1802.01970},
year = {2018}
}
备注
9 pages, 8 figures. arXiv admin note: substantial text overlap with arXiv:1801.10152