太赫兹网状回传网络中基于深度强化学习的跨层设计
机器学习
2023-10-10 v1
摘要
太赫兹(THz)网状网络凭借其支持超高数据速率和灵活可重构性的优势,在下一代无线回传系统中极具吸引力,可赋能集成接入与回传(IAB)。在太赫兹网状回传网络中,由于动态业务需求以及太赫兹频谱高方向性和高非视距(NLoS)路径损耗可能引发的链路中断,高效的跨层路由与长期资源分配仍是一个开放性问题。此外,不可预测的数据业务以及具有NP难特性的混合整数规划性质,进一步给有效的路由与长期资源分配设计带来挑战。本文提出了一种太赫兹网状回传网络中基于深度强化学习的跨层设计(DEFLECT),考虑了动态业务需求和可能的突发链路故障。在DEFLECT中,首先设计了一种启发式路由度量,以提升关于能量和子阵列使用的资源效率(RE)。进而,开发了一种基于DRL的资源分配算法,以实现长期RE最大化并从断链中快速恢复。具体而言,在所采用的DRL方法中,所利用的多任务结构协同促进了功率与子阵列的联合分配。此外,所采用的分层架构实现了为每个基站量身定制的资源分配,以及用于快速恢复的知识迁移。仿真结果表明,与最小跳数度量相比,DEFLECT路由消耗更少的资源。而且,不同于造成丢包和秒级时延的传统DRL方法,DEFLECT DRL实现了无丢包和毫秒级时延的长期RE最大化,并在1s内从断链中恢复出资源高效的回传。
引用
@article{arxiv.2310.05034,
title = {Deep Reinforcement Learning Based Cross-Layer Design in Terahertz Mesh Backhaul Networks},
author = {Zhifeng Hu and Chong Han and Xudong Wang},
journal= {arXiv preprint arXiv:2310.05034},
year = {2023}
}