面向5G-enabled物联网的自适应数字孪生与通信高效联邦学习网络切片

网络切片使具有多服务和差异化资源需求的工业物联网（IIoT）网络能够通过高效使用和管理网络资源来满足日益增长的需求。通常情况下，网络切片调度器依赖于每个切片的需求预测才能做出明智的决策并最大化资源利用率。第四次工业革命的新一代技术引入了数字孪生技术，用于将物理系统映射到数字模型，以实现精确决策。在我们的方法中，我们首先使用图注意力网络构建网络切片的数字孪生环境，实现对实时流量的分析、监控和需求预测。基于这些预测，我们将资源分配问题形式化为联邦多主体强化学习问题，并采用深度确定性策略梯度来确定资源分配策略，同时保留切片的隐私。我们的结果表明，所提出的方法能够提高网络切片需求预测的准确度，并降低动态网络切片的通信开销。