深度强化学习辅助的随机接入
信息论
2020-04-07 v1 信号处理
math.IT
摘要
我们考虑一个由接入点（AP）和 K 个物联网（IoT）节点组成的系统模型，这些节点间歇性地激活以向 AP 发送数据。假设 AP 拥有 N 个时频资源块可分配给希望发送数据的 IoT 节点，其中 N < K。主要问题是如何在每个时隙中将 N 个时频资源块分配给 IoT 节点，以使平均包速率最大化。针对该问题，我们提出了一种深度强化学习（DRL）辅助的随机接入（RA）方案，其中 AP 上的智能 DRL 代理学习预测每个时隙中 IoT 节点的活动情况，并将时频资源块授予被预测为活跃的 IoT 节点。接下来，那些被 DRL 代理误分类为非活跃的 IoT 节点，以及小区中未预见或新到达的节点，采用标准 RA 方案来获取时频资源块。我们利用专家知识来加速 DRL 代理的训练。数值结果表明，与实践中使用的现有方案即标准 RA 方案相比，所提出的 DRL 辅助 RA 方案在平均包速率方面有显著提升。
引用
@article{arxiv.2004.02352,
title = {Deep Reinforcement Learning-Aided Random Access},
author = {Ivana Nikoloska and Nikola Zlatanov},
journal= {arXiv preprint arXiv:2004.02352},
year = {2020}
}