面向网络切片资源管理的深度强化学习
网络与互联网体系结构
2018-11-22 v3 机器学习
摘要
网络切片作为一种新兴业务应运而生，使运营商能够以不同价格向各类租户出售定制切片。为提供性能更优且高性价比的服务，网络切片涉及具有挑战性的技术问题，并迫切期待智能化创新以使资源管理契合各切片用户的活跃行为。就此而言，深度强化学习 (DRL) 关注如何通过尝试替代动作并与环境交互、强化产生更高回报倾向的动作，被认为是一种有前景的解决方案。本文在简要回顾 DRL 基本概念后，研究了 DRL 在解决网络切片若干典型资源管理问题中的应用，包括无线资源切片与基于优先级的核网切片，并通过大量仿真展示了 DRL 相对于若干竞争方案的优势。最后，我们还从总体视角讨论了在网络切片中应用 DRL 可能面临的挑战。
引用
@article{arxiv.1805.06591,
title = {Deep Reinforcement Learning for Resource Management in Network Slicing},
author = {Rongpeng Li and Zhifeng Zhao and Qi Sun and Chi-Lin I and Chenyang Yang and Xianfu Chen and Minjian Zhao and Honggang Zhang},
journal= {arXiv preprint arXiv:1805.06591},
year = {2018}
}
备注
The manuscript has been accepted by IEEE Access in Nov. 2018