基于深度强化学习的机器类通信随机接入冲突解决
信息论
2022-05-05 v1 math.IT
摘要
免授权随机接入(RA)技术适用于机器类通信(MTC)网络,但它们需要适应不同于人类类型通信的 MTC 流量。传统的 RA 协议(如时隙ALOHA的指数退避(EB)方案)存在大量冲突,且不能直接应用于 MTC 流量模型。本工作中,我们提出使用带参数共享的多智能体深度 Q 网络(DQN)来寻找一个应用于网络中所有机器类设备(MTD)的单一策略以解决冲突。此外,我们考虑所有设备通用的二进制广播反馈以降低信令开销。我们将所提出的 DQN-RA 方案与 EB 方案在多达 500 个 MTD 下的性能进行比较,结果表明该方案优于 EB 策略,并在吞吐量、时延和冲突率之间提供了更好的平衡。
引用
@article{arxiv.2205.01977,
title = {Collision Resolution with Deep Reinforcement Learning for Random Access in Machine-Type Communication},
author = {Muhammad Awais Jadoon and Adriano Pastore and Monica Navarro},
journal= {arXiv preprint arXiv:2205.01977},
year = {2022}
}
备注
6 pages, 7 Figure, accepted in the proceedings of IEEE VTC Spring-2022 Workshops