基于双延迟DDPG与OpenAI Gym的连续多目标零接触网络切片
网络与互联网体系结构
2021-01-19 v1
摘要
人工智能(AI)驱动的零接触网络切片(NS)是一种实现多租户超越5G(B5G)网络中资源管理及编排(MANO)自动化的新范式。在本文中，我们通过首先将云无线接入网(C-RAN)联合切片接纳控制与资源分配问题建模为马尔可夫决策过程(MDP)来解决该问题。然后我们调用一种称为双延迟深度确定性策略梯度(TD3)的先进连续深度强化学习(DRL)方法来求解。为此，我们引入一种多目标方法，使中央单元(CU)学会如何自主重配置计算资源，同时最小化每个切片的时延、能耗与虚拟网络功能(VNF)实例化成本。此外，我们利用OpenAI Gym工具包构建了完整的5G C-RAN网络切片环境，得益于其标准化接口，可轻易用不同DRL方案测试。最后，我们给出广泛的实验结果以展示TD3以及所采用多目标策略在达成的切片接纳成功率、时延、节能与CPU利用率方面的增益。
引用
@article{arxiv.2101.06617,
title = {Continuous Multi-objective Zero-touch Network Slicing via Twin Delayed DDPG and OpenAI Gym},
author = {Farhad Rezazadeh and Hatim Chergui and Luis Alonso and Christos Verikoukis},
journal= {arXiv preprint arXiv:2101.06617},
year = {2021}
}
备注
6 pages, 4 figures, accepted for publication at IEEE GLOBECOM 2020