基于 Actor-Critic 学习的网络切片零接触联合资源与能耗控制
网络与互联网体系结构
2022-01-25 v1
摘要
为充分释放超5G (B5G) 通信系统的潜力，零接触网络切片 (NS) 被视为一种有前景的全自动化管理与编排 (MANO) 系统。本文提出一种新颖的基于知识平面 (KP) 的 MANO 框架，其容纳并利用近期 NS 技术，称为 KB5G。具体而言，我们在 KB5G 中详述算法创新与人工智能 (AI)。我们采用一种连续的免模型深度强化学习 (DRL) 方法来最小化能耗与虚拟网络功能 (VNF) 实例化成本。我们提出一种新颖的基于 Actor-Critic 的 NS 方法以稳定学习，称为双延迟双Q软 Actor-Critic (TDSAC) 方法。TDSAC 使中心单元 (CU) 能够持续学习，积累过往学到的知识，以最小化未来的 NS 成本。最后，我们给出数值结果以展示所采用方法的增益，并验证在能耗、CPU 利用率与时间效率方面的性能。
引用
@article{arxiv.2201.08985,
title = {Actor-Critic-Based Learning for Zero-touch Joint Resource and Energy Control in Network Slicing},
author = {Farhad Rezazadeh and Hatim Chergui and Loizos Christofi and Christos Verikoukis},
journal= {arXiv preprint arXiv:2201.08985},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2101.06654