联邦深度 Q 学习与 5G 负载均衡
网络与互联网体系结构
2024-03-15 v1 人工智能
机器学习
多智能体系统
摘要
尽管蜂窝网络技术不断进步，但基站（BS）负载均衡仍是一个持续存在的问题。虽然集中式资源分配方法可以解决负载均衡问题，但它仍然是一个 NP-hard 问题。在本研究中，我们研究如何使用联邦深度 Q 学习来告知每个用户设备（UE）关于每个基站的负载状况。联邦深度 Q 学习的负载均衡使得智能 UE 能够独立选择最佳基站，同时限制了暴露给网络的私有信息量。在本研究中，我们提出并分析了一个联邦深度 Q 学习负载均衡系统，该系统使用 Open-RAN xAPP 框架和近实时无线电接口控制器（near-RT RIC）实现。我们的仿真结果表明，与 UE 当前使用的最大信噪比（MAX-SINR）方法相比，我们提出的深度 Q 学习模型能够持续提供更好的平均 UE 高服务质量。
引用
@article{arxiv.2403.08813,
title = {Federated Deep Q-Learning and 5G load balancing},
author = {Hsin Lin and Yi-Kang Su and Hong-Qi Chen and La-Fei Ko},
journal= {arXiv preprint arXiv:2403.08813},
year = {2024}
}
备注
5 pages, in Chinese language. 8 figures. Presented at 2022 Taiwan telecommunications annual symposium