基于深度强化学习的绿色雾无线接入网模式选择与资源管理
网络与互联网体系结构
2018-09-18 v1
摘要
雾无线接入网（F-RANs）被视为通过利用边缘缓存与边缘计算来支撑物联网服务的潜在架构。然而，当前研究 F-RAN 中资源管理的文献主要考虑仅含单一通信模式的静态系统。鉴于网络动态性、资源多样性以及资源管理与模式选择的耦合，F-RAN 中的资源管理极具挑战。受人工智能近期发展的启发，提出一种基于深度强化学习（DRL）的联合模式选择与资源管理方法。每个用户设备（UE）可运行于云无线接入网（C-RAN）模式或设备到设备模式，所管理的资源包括无线资源与计算资源。其核心思想是网络控制器对 UE 通信模式及处理器开关状态作出智能决策，并随后优化 C-RAN 模式下 UE 的预编码，旨在边缘缓存状态动态变化下最小化长期系统功耗。通过仿真，展示了学习率、边缘缓存服务能力等若干参数对系统性能的影响，同时将所提方案与其他不同方案比较以表明其有效性。此外，将迁移学习融入 DRL 以加速学习过程。
引用
@article{arxiv.1809.05629,
title = {Deep Reinforcement Learning Based Mode Selection and Resource Management for Green Fog Radio Access Networks},
author = {Yaohua Sun and Mugen Peng and Shiwen Mao},
journal= {arXiv preprint arXiv:1809.05629},
year = {2018}
}
备注
11 pages, 9 figures, accepted to IEEE Internet of Things Journal, Special Issue on AI-Enabled Cognitive Communication