面向RAN优化与控制的深度强化学习
网络与互联网体系结构
2021-01-20 v2 人工智能
摘要
由于无线接入网(RAN)中流量的高可变性,固定的网络配置不够灵活,无法达到最优性能。我们的设备供应商提供了eNodeB的若干设置以优化RAN性能,例如媒体访问控制调度器、负载均衡等。但eNodeB配置的详细机制通常非常复杂且未公开,更不用说需要考虑的庞大关键性能指标(KPIs)空间。这使得构建模拟器、离线调优或基于规则的解决方案十分困难。我们旨在构建一个对RAN无强假设或领域知识、且可无人监督24/7运行的智能控制器。为实现该目标,我们首先在实验室环境中利用某最大无线设备供应商提供的1个eNodeB与4部智能手机搭建了闭环控制测试床RAN。接着,我们构建了一个双Q网络智能体,利用来自RAN的实时关键性能指标反馈进行训练。我们的工作证明了在真实RAN网络环境中应用深度强化学习提升网络性能的有效性。
引用
@article{arxiv.2011.04607,
title = {Deep reinforcement learning for RAN optimization and control},
author = {Yu Chen and Jie Chen and Ganesh Krishnamurthi and Huijing Yang and Huahui Wang and Wenjie Zhao},
journal= {arXiv preprint arXiv:2011.04607},
year = {2021}
}
备注
6 pages, 2 figures