基于深度强化学习的混合非地面开放式无线接入网中的能源高效网络功能分离
信号处理
2025-06-10 v1
摘要
本文探讨了将开放式无线接入网（O-RAN）原则与非地面网络（NTN）集成，并研究在动态网络环境中优化集中单元（CU）与分布单元（DU）之间的功能分割，以提高能源效率。鉴于非地面平台（如低轨卫星和高空平台站）的固有限制，我们提出一种基于深度Q网络（DQN）的强化学习框架，智能确定最优的RAN功能分割。该方法能够动态适应交通需求、网络条件和功率限制的实时波动，确保高效的资源分配和系统性能提升。数值结果表明，所提出的策略能够通过选择基于数据速率和时延要求的有效网络功能分离策略和相应的功能分割选项来有效应对网络流量变化。
引用
@article{arxiv.2506.06876,
title = {Energy-efficient Deep Reinforcement Learning-based Network Function Disaggregation in Hybrid Non-terrestrial Open Radio Access Networks},
author = {S. M. Mahdi Shahabi and Xiaonan Deng and Ahmad Qidan and Taisir Elgorashi and Jaafar Elmirghani},
journal= {arXiv preprint arXiv:2506.06876},
year = {2025}
}