面向O-RAN RIC的连接管理xAPP：一种图神经网络与强化学习方法
信息论
2021-10-22 v2 math.IT
摘要
连接管理对于任何无线网络而言都是一个重要问题，以确保整个网络平稳且均衡地运行。传统的连接管理方法（特别是用户-小区关联）考虑的是次优且贪婪的解决方案，例如将每个用户连接到接收功率最大的小区。然而，通过利用基于机器学习（ML）和人工智能（AI）的解决方案，可以提升网络性能。由开放无线接入网（O-RAN）联盟定义的下一代软件定义5G网络，促进了将基于ML/AI的解决方案用于各种网络问题。本文中，我们考虑基于O-RAN网络架构的智能连接管理，以优化网络中的用户关联和负载均衡。我们将连接管理形式化为一个组合图优化问题。我们提出了一种深度强化学习（DRL）解决方案，该方案利用底层图来学习图神经网络（GNN）的权重，以实现最优的用户-小区关联。我们考虑了三个候选目标函数：用户总吞吐量、小区覆盖和负载均衡。结果表明，与基线贪婪技术相比，根据网络部署配置的不同，我们的方法在吞吐量上可提升高达10%，在小区覆盖上可提升45-140%，在负载均衡上可提升20-45%。
引用
@article{arxiv.2110.07525,
title = {Connection Management xAPP for O-RAN RIC: A Graph Neural Network and Reinforcement Learning Approach},
author = {Oner Orhan and Vasuki Narasimha Swamy and Thomas Tetzlaff and Marcel Nassar and Hosein Nikopour and Shilpa Talwar},
journal= {arXiv preprint arXiv:2110.07525},
year = {2021}
}
备注
paper accepted to the IEEE International Conference on Machine Learning and Applications (ICMLA 2021)