BSAC-CoEx：通过设备选择实现URLLC与分布式学习服务的共存
网络与互联网体系结构
2025-03-10 v2 机器学习
最优化与控制
摘要
分布式智能的最新进展推动了从工业自动化到自主交通等多样化应用的显著进步。然而，在无线网络上部署分布式学习服务带来了诸多挑战。这些挑战源于无线环境中固有的不确定性（例如随机信道波动）、有限的资源（例如带宽和发射功率）以及网络上共存服务的存在。在本文中，我们研究了一种混合服务场景，其中高优先级的超可靠低延迟通信（URLLC）和低优先级的分布式学习服务在网络上并发运行。利用设备选择，我们旨在最小化分布式学习的收敛时间，同时满 URLLC 服务的要求。我们将此问题建模为马尔可夫决策过程，并通过 BSAC-CoEx 解决，该框架基于分支软 actor-critic（BSAC）算法，通过 actor 神经网络中的不同分支确定每个设备的参与决策。我们使用符合 3GPP 工厂自动化用例标准的真实模拟器评估我们的方案。仿真结果证实，我们的方案能显著减少分布式学习服务的训练延迟，同时将 URLLC 可用性保持在其所需阈值之上，并接近 URLLC 独占所有无线资源的场景。
引用
@article{arxiv.2212.11805,
title = {BSAC-CoEx: Coexistence of URLLC and Distributed Learning Services via Device Selection},
author = {Milad Ganjalizadeh and Hossein Shokri Ghadikolaei and Deniz Gündüz and Marina Petrova},
journal= {arXiv preprint arXiv:2212.11805},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication