基于深度强化的大规模接入管理用于超可靠低时延通信
信号处理
2020-12-18 v2
摘要
随着物联网（IoT）的快速部署，第五代（5G）及超越 5G 的网络需在有限的无线电频谱上支持海量设备的海量接入。在无线网络中，不同设备具有多样的服务质量（QoS）需求，从超可靠低时延通信（URLLC）到高传输数据速率不等。在此背景下，我们提出一种联合节能子信道分配与功率控制方法，以管理海量接入请求，同时最大化网络能效（EE）并保障不同 QoS 需求。时延约束被转化为数据速率约束，使优化问题在建模为多智能体强化学习问题之前变得可解。提出了一种基于深度强化学习（DRL）的分布式协作海量接入方法，以在海量接入场景下满足 URLLC 业务的可靠性与时延约束。此外，采用迁移学习与协作学习机制使通信链路以分布式方式协作，从而提升网络性能与接入成功概率。仿真结果清晰表明，所提分布式协作学习方法在满足能效和提升海量接入场景传输成功概率方面优于其他现有方法。
引用
@article{arxiv.2002.08743,
title = {Deep Reinforcement Learning Based Massive Access Management for Ultra-Reliable Low-Latency Communications},
author = {Helin Yang and Zehui Xiong and Jun Zhao and Dusit Niyato and Chau Yuen and Ruilong Deng},
journal= {arXiv preprint arXiv:2002.08743},
year = {2020}
}
备注
This paper appears in IEEE Transactions on Wireless Communications. Please feel free to contact us for questions or remarks. http://JunZhao.info/