一种用于多链路 Wi-Fi 网络中链路激活的联邦强化学习框架
网络与互联网体系结构
2023-05-01 v1 机器学习
摘要
下一代 Wi-Fi 网络期望引入多链路操作（MLO）等新特性，以实现更高吞吐量与更低时延。然而，在可用信道数量有限的情况下，一组竞争的基本服务集（BSS）使用多条链路会导致更高的干扰与信道竞争，从而可能降低性能与可靠性。在此情形下，若有助于减少信道访问竞争，所有竞争 BSS 使用更少链路或许更优。近来，强化学习（RL）已证明其在优化无线网络资源分配方面的潜力。然而，各无线网络的独立运行使得每个单独网络难以（即便并非几乎不可能）学习到良好配置。为解决此问题，本文提出使用联邦强化学习（FRL）框架，即一种在不交换数据的情况下跨多个分布式智能体训练模型的协作机器学习方法，由一组相邻 BSS 协作学习最佳 MLO 链路分配（LA）策略。仿真结果表明，基于 FRL 的分布式 MLO-LA 策略实现了更好的吞吐量公平性，从而更高的可靠性——因为它使不同 BSS 能找到使最小可达数据速率最大化的链路分配策略——优于固定、随机及基于 RL 的 MLO-LA 方案。
引用
@article{arxiv.2304.14720,
title = {A Federated Reinforcement Learning Framework for Link Activation in Multi-link Wi-Fi Networks},
author = {Rashid Ali and Boris Bellalta},
journal= {arXiv preprint arXiv:2304.14720},
year = {2023}
}
备注
6 pages and 7 figures, IEEE Conference format