用于车联网切片中动态资源管理的可解释AI框架
机器学习
2025-09-19 v2 人工智能
摘要
有效的资源管理和网络切片对于满足车联网的多样化服务需求至关重要，包括增强移动宽带（eMBB）和超可靠低延迟通信（URLLC）。本文提出了一种可解释深度强化学习（XRL）框架，用于车联网中的动态网络切片和资源分配，该框架基于近实时RAN智能控制器。通过整合利用Shapley值和注意力机制的特征方法，我们解释并优化了强化学习智能体的决策，解决了车联网通信系统的关键可靠性挑战。仿真结果表明，我们的方法提供了清晰、实时的资源分配过程洞察，并且实现了比纯注意力机制更高的可解释性精度。此外，URLLC服务的质量服务（QoS）满意度从78.0%提高到80.13%，而eMBB服务的QoS满意度从71.44%提高到73.21%。
引用
@article{arxiv.2506.11882,
title = {An Explainable AI Framework for Dynamic Resource Management in Vehicular Network Slicing},
author = {Haochen Sun and Yifan Liu and Ahmed Al-Tahmeesschi and Swarna Chetty and Syed Ali Raza Zaidi and Avishek Nag and Hamed Ahmadi},
journal= {arXiv preprint arXiv:2506.11882},
year = {2025}
}
备注
To appear in Proceedings of IEEE PIMRC 2025. 6 pages, 4 figures