面向 B5G 时延敏感业务的深度强化学习辅助 RAN 切片实施
网络与互联网体系结构
2021-03-19 v1 人工智能
机器学习
性能
摘要
网络边缘的云计算能力与人工智能相结合，有望将未来移动网络转变为具有业务感知与无线感知能力的实体，从而满足即将出现的时延敏感应用的需求。在此背景下，一个具有挑战性的研究目标是利用边缘智能动态且最优地管理无线接入网切片（相较于第五代网络切片，这是一项成熟度较低且更为复杂的技术）与无线资源管理，而由于无线信道大多不可预测的特性，这是一项极为复杂的任务。本文提出了一种新颖的架构，其在网络边缘利用深度强化学习（Deep Reinforcement Learning），以解决支持时延敏感应用的无线接入网切片与无线资源管理优化问题。我们通过计算机仿真，以自动驾驶用例为背景，研究了我们所提方案相对于基线方法的有效性。
引用
@article{arxiv.2103.10277,
title = {Deep Reinforcement Learning-Aided RAN Slicing Enforcement for B5G Latency Sensitive Services},
author = {Sergio Martiradonna and Andrea Abrardo and Marco Moretti and Giuseppe Piro and Gennaro Boggia},
journal= {arXiv preprint arXiv:2103.10277},
year = {2021}
}