面向 6G 及更高网络的深度强化学习网络能源节省
网络与互联网体系结构
2024-08-21 v1
摘要
网络能源节省已受到运营商和设备厂商的广泛关注，以减少能源消耗和温室气体排放，以及显著降低移动网络运营商的成本。然而，能源节省网络的设计也需要确保移动用户 (MU) 的 QoS 要求，如吞吐量要求 (TR)。本文考虑包含众多地面基站 (GBS) 的移动细胞网络，其中一些 GBS 因网络能源节省 (NES) 或故障而被故意关闭，因此位于这些 outage GBS 内的 MU 将无法及时获得服务。基于此观察，我们提出了通过优化 GBS 的天线倾斜角和自适应发射功率来最大化网络中可实现总吞吐量的问题，同时满足给定数量的已服务 MU。需要注意的是，若其参考信号接收功率 (RSRP) 和吞吐量要求满足，则认为该 MU 被成功服务。 formulated 的优化问题伴随着多个二进制变量、非凸约束以及随机吞吐量要求和 MU 随机位置，使其难以求解。我们提出一种深度 Q 学习算法帮助网络学习传输环境的不确定性和动态特性。大量仿真结果表明，我们提出的算法在性能上优于基准方案。
引用
@article{arxiv.2408.10974,
title = {Deep Reinforcement Learning for Network Energy Saving in 6G and Beyond Networks},
author = {Dinh-Hieu Tran and Nguyen Van Huynh and Soumeya Kaada and Van Nhan Vo and Eva Lagunas and Symeon Chatzinotas},
journal= {arXiv preprint arXiv:2408.10974},
year = {2024}
}
备注
7 pages, 4 figures