面向端到端网络切片的深度强化学习:挑战与解决方案
网络与互联网体系结构
2022-08-01 v1
摘要
5G及未来网络有望赋能垂直行业多样化性能需求的新兴用例。为以高性价比服务这些用例,网络切片根据特定资源需求动态创建虚拟端到端网络起着关键作用。一个网络切片可能跨多个技术领域具有数百个可配置参数,这些参数定义了网络切片的性能,使得利用传统基于模型的方案来编排网络切片资源变得不可能。在本文中,我们讨论如何设计并部署深度强化学习(DRL)这一无模型方法来解决网络切片问题。首先,我们分析网络切片问题并提出一个符合标准的系统架构,以在5G及未来网络中实现基于DRL的方案。其次,我们深入分析了在网络切片系统中设计和部署DRL的挑战。第三,我们探索了多种有前景的技术,即安全与分布式DRL以及模仿学习,用于自动化端到端网络切片。
引用
@article{arxiv.2207.14766,
title = {Deep Reinforcement Learning for End-to-End Network Slicing: Challenges and Solutions},
author = {Qiang Liu and Nakjung Choi and Tao Han},
journal= {arXiv preprint arXiv:2207.14766},
year = {2022}
}
备注
Accepted by IEEE Network Magazine