面向智能车载系统与智慧城市的 5G 中自适应网络切片深度强化学习
网络与互联网体系结构
2020-10-21 v1 人工智能
机器学习
摘要
智能车载系统和智慧城市应用是以 30% 复合年增长率增长最快的物联网（IoT）实现。鉴于 IoT 设备的最新进展以及由人工智能（AI）驱动的物联网应用新品类涌现，雾无线接入网（F-RAN）近期被引入第五代（5G）无线通信，以克服云无线接入网（C-RAN）的时延限制。我们考虑在动态环境中，将网络边缘（雾节点）的有限资源分配给具有异构时延与计算需求的车载及智慧城市用户的网络切片问题。我们开发了基于雾节点（FN）集群并与边缘控制器（EC）协同的网络切片模型，以高效利用网络边缘的有限资源。对于集群中的每项服务请求，EC 决定由哪个 FN 执行任务，即在边缘本地服务该请求，或拒绝任务并将其转交云处理。我们将该问题建模为无限 horizon 马尔可夫决策过程（MDP），并提出深度强化学习（DRL）方案以自适应地学习最优切片策略。所提基于 DRL 的切片方法的性能，通过在动态环境及不同设计目标场景下与其他切片方法的比较得到评估。综合仿真结果证实，所提基于 DRL 的 EC 能通过与环境交互快速学习最优策略，从而在动态车载与智慧城市环境中实现自适应、自动化的网络切片以高效分配资源。
引用
@article{arxiv.2010.09916,
title = {Deep Reinforcement Learning for Adaptive Network Slicing in 5G for Intelligent Vehicular Systems and Smart Cities},
author = {Almuthanna Nassar and Yasin Yilmaz},
journal= {arXiv preprint arXiv:2010.09916},
year = {2020}
}