面向机器类通信随机接入的深度强化学习
信息论
2022-01-25 v1 网络与互联网体系结构
math.IT
摘要
随机接入（RA）方案是机器类通信（MTC）中备受关注的主题。在RA协议中，诸如指数退避（EB）之类的退避技术被用于稳定系统，以避免低吞吐量和过度延迟。然而，这些退避技术在不同的基础假设和分析模型下表现出不同的性能。因此，为时隙ALOHA RA寻找更好的传输策略仍然是一个挑战。在本文中，我们展示了深度强化学习（DRL）在RA中的潜力。我们学习了一种在吞吐量和公平性之间取得平衡的传输策略。所提出的算法利用先前的动作和二进制反馈信号来学习传输概率，并且能够适应不同的流量到达率。此外，我们提出将平均数据包年龄（AoP）作为衡量用户间公平性的指标。我们的结果表明，所提出的策略在吞吐量和公平性方面均优于基准的EB传输方案。
引用
@article{arxiv.2201.09841,
title = {Deep Reinforcement Learning for Random Access in Machine-Type Communication},
author = {Muhammad Awais Jadoon and Adriano Pastore and Monica Navarro and Fernando Perez-Cruz},
journal= {arXiv preprint arXiv:2201.09841},
year = {2022}
}
备注
6 pages, 9 figures, conference paper accepted in IEEE WCNC'22