基于深度强化学习的动态 SDN 无线接入网络切片用于 URLLC 与 eMBB 业务
网络与互联网体系结构
2022-02-15 v1
摘要
无线接入网络（RAN）切片是使 5G 网络支持通用业务（即超可靠低时延通信（URLLC）和增强移动宽带（eMBB））异构需求的关键技术。本文提出一种两时间尺度 RAN 切片机制以优化 URLLC 和 eMBB 业务性能。在大时间尺度上，SDN 控制器根据 eMBB 和 URLLC 业务的需求将无线资源分配给 gNodeB。在小时间尺度上，每个 gNodeB 将其可用资源分配给其终端用户，并在需要时向相邻 gNodeB 请求额外资源。我们将该问题表述为一个非线性二元规划并证明其 NP 难性。接着，对每个时间尺度，我们将问题建模为马尔可夫决策过程（MDP），其中大时间尺度建模为单智能体 MDP，而较小时间尺度建模为多智能体 MDP。我们利用用于探索与利用的指数权重算法（EXP3）求解大时间尺度 MDP 的单智能体 MDP，并利用多智能体深度 Q 学习（DQL）算法求解小时间尺度资源分配的多智能体 MDP。大量仿真表明，我们的方法在不同网络参数配置下均高效，并且优于近期基准方案。
引用
@article{arxiv.2202.06435,
title = {Dynamic SDN-based Radio Access Network Slicing with Deep Reinforcement Learning for URLLC and eMBB Services},
author = {Abderrahime Filali and Zoubeir Mlika and Soumaya Cherkaoui and Abdellatif Kobbane},
journal= {arXiv preprint arXiv:2202.06435},
year = {2022}
}