需求与CSI不确定性下基于AI的端到端网络切片鲁棒资源分配
信号处理
2022-02-11 v1
摘要
网络切片(NwS)是第五代及未来移动通信(5G+)的主要技术之一。NwS面临的重要挑战之一是信息不确定性，主要涉及需求和信道状态信息(CSI)。需求不确定性分为三种类型：用户请求数量、带宽量以及所请求的虚拟网络功能工作负载。此外，CSI不确定性通过三种方法建模：最坏情况、概率和混合方法。在本文中，我们的目标是通过在需求和CSI不确定性下的端到端NwS资源分配中利用深度强化学习算法，来最大化基础设施提供商的效用。所提出的公式是一个非凸混合整数非线性规划问题。为了在涉及不确定性的问题中执行鲁棒资源分配，我们需要历史信息。为此，我们使用了一种循环确定性策略梯度(RDPG)算法，这是深度强化学习中一种基于循环和记忆的方法。然后，我们在不同场景下将RDPG方法与软演员-评论家(SAC)、深度确定性策略梯度(DDPG)、分布式和贪婪算法进行了比较。仿真结果表明，SAC方法分别优于DDPG、分布式和贪婪方法。此外，RDPG方法的平均性能比SAC方法高出70%。
引用
@article{arxiv.2202.05131,
title = {AI-based Robust Resource Allocation in End-to-End Network Slicing under Demand and CSI Uncertainties},
author = {Amir Gharehgoli and Ali Nouruzi and Nader Mokari and Paeiz Azmi and Mohamad Reza Javan and Eduard A. Jorswieck},
journal= {arXiv preprint arXiv:2202.05131},
year = {2022}
}