在无线接入网上实现AI赋能的鲁棒端到端体验质量
网络与互联网体系结构
2022-01-17 v1 系统与控制
系统与控制
摘要
增强现实、车联网和远程手术等新兴应用需要计算与网络功能协同工作。这些应用的端到端(End-to-End, E2E)体验质量(Quality of Experience, QoE)取决于网络与计算资源的同步分配。然而,资源与E2E QoE结果之间的关系通常是随机且非线性的。为了做出高效的资源分配决策,必须对这些关系进行建模。本文提出了一种基于机器学习的新方法来学习这些关系,并为此同步编排这两种资源。机器学习模型进一步有助于针对随机变化做出鲁棒的分配决策,并将鲁棒优化简化为传统的约束优化。当资源不足以满足所有应用需求时,我们的框架支持以E2E QoE的最小退化(优雅降级)执行部分应用。我们还展示了如何通过软件定义网络(SDN)和Kubernetes技术以分布式方式实现这些学习与优化方法。结果表明,基于深度学习的建模实现了约99.8%准确率的E2E QoE,并且与现有的差分服务替代方案相比,我们的鲁棒联合优化技术能够高效地分配资源。
引用
@article{arxiv.2201.05184,
title = {Achieving AI-enabled Robust End-to-End Quality of Experience over Radio Access Networks},
author = {Dibbendu Roy and Aravinda S. Rao and Tansu Alpcan and Goutam Das and Marimuthu Palaniswami},
journal= {arXiv preprint arXiv:2201.05184},
year = {2022}
}