基于深度强化学习的集成接入与回传网络频谱分配
信息论
2020-04-29 v1 信号处理
math.IT
摘要
我们开发了一个基于深度强化学习（DRL）的框架，以解决新兴集成接入与回传（IAB）架构中大规模部署和动态环境下的频谱分配问题。可用频谱被划分为若干正交子信道，施主基站（DBS）与所有 IAB 节点拥有相同的待分配频谱资源，其中 DBS 利用这些子信道服务于关联用户设备（UE）的接入链路以及关联 IAB 节点的回传链路，而一个 IAB 节点可利用全部资源服务于其关联 UE。这是 5G 不同于传统设置的关键特征之一，在传统设置中回传网络与接入网络是独立设计的。以最大化所有 UE 组的对数速率和为目标，我们将频谱分配问题建模为一个混合整数非线性规划。然而，尤其在 IAB 网络规模大且时变时，求得最优解难以实现。为应对该问题，我们提出采用最新 DRL 方法，通过集成行动者—评论家频谱分配（ACSA）方案与深度神经网络（DNN）以在不同场景下实现实时频谱分配。所提方法通过数值仿真评估，相较若干基线分配策略展现出良好结果。
引用
@article{arxiv.2004.13133,
title = {Deep Reinforcement Learning Based Spectrum Allocation in Integrated Access and Backhaul Networks},
author = {Wanlu Lei and Yu Ye and Ming Xiao},
journal= {arXiv preprint arXiv:2004.13133},
year = {2020}
}