面向前传压缩优化的约束深度强化学习
系统与控制
2023-10-02 v2 系统与控制
摘要
在集中式无线接入网（C-RAN）架构中，功能可部署于集中或分布式位置。该架构可提供更高容量并节省成本，但同时也对前传（FH）提出了严格要求。使压缩量适应前传流量变化的自适应前传压缩方案，是应对严苛前传要求的有前景方法。本工作中，我们利用一种无模型离策略深度强化学习算法设计此类压缩方案，该算法考虑了前传时延与丢包约束。此外，该算法以模型透明性与可解释性为设计目标，这对于性能关键领域中人工智能的可信性至关重要。我们表明，所提算法能够在满足约束的同时成功选择合适的压缩方案，并且与前传参考方案相比，前传利用率提升约70%。
引用
@article{arxiv.2309.15060,
title = {Constrained Deep Reinforcement Learning for Fronthaul Compression Optimization},
author = {Axel Grönland and Alessio Russo and Yassir Jedra and Bleron Klaiqi and Xavier Gelabert},
journal= {arXiv preprint arXiv:2309.15060},
year = {2023}
}
备注
conference, ieee