基于深度强化学习的战术无线网络中 RAN 切片与高效切片间隔离
网络与互联网体系结构
2025-06-11 v1
摘要
下一代战术网络（TNs）正计划进一步利用 5G 及 beyond 5G（B5G）技术的关键使能器，如无线接入网（RAN）切片和开放无线接入网（O-RAN）范式，以解锁多种架构选项和广泛创新应用的机会。RAN 切片和 O-RAN 范式被认为是战术网络中的变革性技术：前者使得用户服务能够根据用户需求进行定制，后者为 RAN 管理带来了开放性和智能化。在战术网络中，带宽稀缺要求动态带宽切片策略。尽管此类策略确保了高效的带宽利用，但它在服务质量（QoS）性能方面会损害 RAN 切片隔离性。为应对这一挑战，我们提出了一种基于深度强化学习（DRL）的 RAN 切片机制，在高效 RAN 带宽共享与适当的切片间和切片内隔离之间实现权衡。所提出的机制分两个阶段进行带宽分配。在第一阶段，带宽被分配给 RAN 切片。在第二阶段，每个切片将其带宽在关联用户之间进行分配。在两个阶段中，切片操作受到多种考虑因素的约束，这些因素旨在改善切片和用户的 QoS，进而促进切片间和切片内隔离。所提出的 RAN 切片机制基于 DRL 算法来执行每个阶段的带宽共享操作。我们提出将该机制部署在 O-RAN 架构上，并描述了涉及的 O-RAN 功能模块和主要 DRL 模型生命周期管理阶段。我们还开发了该机制的三种不同实现，每种基于不同的 DRL 算法，并在多个参数上针对多种基线评估了其性能。
引用
@article{arxiv.2506.09039,
title = {Deep Reinforcement Learning-Based RAN Slicing with Efficient Inter-Slice Isolation in Tactical Wireless Networks},
author = {Abderrahime Filali and Diala Naboulsi and Georges Kaddoum},
journal= {arXiv preprint arXiv:2506.09039},
year = {2025}
}