面向可信6G RAN切片的解释引导深度强化学习
网络与互联网体系结构
2023-03-28 v1
摘要
新兴第六代（6G）无线网络的复杂性引发了采用人工智能（AI）来应对严格服务等级协议（SLA）下网络管理与资源分配挑战的热潮。它开启了大规模网络切片时代，作为一种分布式技术，租户将通过垂直沉浸式用例的数字化普及延伸至最终消费者。尽管深度强化学习（DRL）在网络切片中表现优异，但缺乏透明度、可解释性以及模型不透明问题阻碍了用户信任DRL智能体的决策或预测。当需要提供高可靠性和安全性服务时，该问题更为突出。利用可解释AI（XAI）并结合解释引导方法，我们提出一种可解释强化学习（XRL）方案以克服黑盒DRL的不透明性。所提方法的核心概念是奖励假设的内在可解释性，旨在鼓励DRL智能体学习特定网络切片状态下的最佳动作，同时应对状态-动作对之间易冲突且复杂的关系。为验证所提框架，我们针对资源分配优化问题，其中多智能体XRL努力分配最优可用无线资源以满足切片的SLA要求。最后，我们给出数值结果以展示所采用XRL方法相对于DRL基线的优越性。据我们所知，这是首项在6G网络背景下研究解释引导DRL方法可行性的工作。
引用
@article{arxiv.2303.15000,
title = {Explanation-Guided Deep Reinforcement Learning for Trustworthy 6G RAN Slicing},
author = {Farhad Rezazadeh and Hatim Chergui and Josep Mangues-Bafalluy},
journal= {arXiv preprint arXiv:2303.15000},
year = {2023}
}
备注
6 Pages, 6 figures