面向 O-RAN 中流量引导的联邦元学习
网络与互联网体系结构
2022-09-14 v1 机器学习
摘要
与 LTE 网络相比，5G 的愿景在于提供高数据速率、低时延（面向近实时应用）、显著增加的基站容量以及近乎完美的用户体验质量（QoS）。为提供此类服务，5G 系统将支持 LTE、NR、NR-U 和 Wi-Fi 等多种接入技术的组合。每种无线接入技术（RAT）提供不同类型的接入，这些接入应在用户间进行最优分配与管理。除资源管理外，5G 系统还将支持双连接服务。因此，相较于传统接入技术，网络的编排对系统管理者而言成为更困难的问题。本文中，我们提出一种基于联邦元学习（FML）的 RAT 分配算法，使 RAN 智能控制器（RIC）能更快速地适应动态变化的环境。我们设计了一个包含 LTE 和 5G NR 服务技术的仿真环境。仿真中，我们的目标是在传输截止期限前满足用户设备（UE）需求，以提供更高的 QoS 值。我们将所提算法与单一 RL 智能体、Reptile 算法以及基于规则的启发式方法进行比较。仿真结果表明，所提 FML 方法在首次部署轮次分别实现高出 21% 和 12% 的缓存率。此外，相较所比较方法，所提方法最快适应新任务与环境。
引用
@article{arxiv.2209.05874,
title = {Federated Meta-Learning for Traffic Steering in O-RAN},
author = {Hakan Erdol and Xiaoyang Wang and Peizheng Li and Jonathan D. Thomas and Robert Piechocki and George Oikonomou and Rui Inacio and Abdelrahim Ahmad and Keith Briggs and Shipra Kapoor},
journal= {arXiv preprint arXiv:2209.05874},
year = {2022}
}
备注
7 pages, 3 figures, 2 algorithms, and 3 tables