面向含D2D通信的F-RAN中求和速率最大化的联合强化学习缓存与跨层网络编码
信息论
2021-03-24 v1 math.IT
摘要
在本文中，我们利用强化学习(RL)与跨层网络编码(CLNC)，在带有设备到设备(D2D)通信的下行雾无线接入网(F-RAN)中高效预取用户内容至本地缓存并将这些内容投递给用户。在所考虑系统中，雾接入点(F-AP)与带缓存的D2D(CE-D2D)用户配备本地缓存以缓解前传链路流量负担，同时用户内容可被轻松快速容纳。在CLNC中，编码决策考虑用户内容、其速率以及F-AP与CE-D2D用户的功率水平，而RL优化缓存策略。为此，联合内容放置与投递问题被表述为一个以最大化系统求和速率为目标的优化问题。针对这一NP难问题，我们首先提出一种创新的去中心化CLNC联盟形成(CLNC-CF)算法，为内容投递问题获得稳定解，其中F-AP与CE-D2D用户利用CLNC资源分配。通过考虑F-AP与CE-D2D用户的行为，我们随后提出多智能体RL(MARL)算法以优化F-AP与CE-D2D用户处的内容放置。仿真结果表明，相较于：1)最优无编码算法、2)标准速率感知NC算法、3)带网络层优化的基准经典NC，所提联合CLNC-CF与RL框架可分别将求和速率有效提升达30%、60%与150%。
引用
@article{arxiv.2103.12134,
title = {A Joint Reinforcement-Learning Enabled Caching and Cross-Layer Network Code for Sum-Rate Maximization in F-RAN with D2D Communications},
author = {Mohammed S. Al-Abiad and Md. Zoheb Hassan and Md. Jahangir Hossain},
journal= {arXiv preprint arXiv:2103.12134},
year = {2021}
}
备注
15 pages, 9 figures, journal