基于深度强化的虚拟化无线接入网功能分割优化
网络与互联网体系结构
2021-07-16 v1
摘要
虚拟化无线接入网（vRAN）是未来无线网络的关键赋能技术之一，因为它为无线接入网（RAN）架构带来敏捷性并提供设计自由度。然而，它也产生了一个关于如何设计功能分割配置的难题。本文提出一种深度强化学习方法以优化 vRAN 中的功能分割。我们开发了一种学习范式，用于优化 RAN 中功能的位置。这些功能可置于中心/云单元（CU）或分布单元（DU）。该问题被表述为约束神经组合强化学习以最小化总网络代价。在该解决方案中，应用了带拉格朗日松弛的策略梯度方法，其使用堆叠长短期记忆（LSTM）神经网络架构来逼近策略。随后，在推理过程中应用带温度超参数的采样技术。结果表明，我们提出的方案能够学习最优功能分割决策，并以 的最优性差距解决问题。此外，与分布式 RAN（D-RAN）相比，我们的方法最多可降低 的代价。我们还得出结论：改变流量负载与路由代价不会显著劣化最优性表现。
引用
@article{arxiv.2105.14731,
title = {Deep Reinforcement Based Optimization of Function Splitting in Virtualized Radio Access Networks},
author = {Fahri Wisnu Murti and Samad Ali and Matti Latva-aho},
journal= {arXiv preprint arXiv:2105.14731},
year = {2021}
}
备注
This paper has been accepted in IEEE International Conference on Communications Workshops (ICC Workshops) 2021