在 Open RAN 中利用 DRL 实现 URLLC：权衡分析

超可靠低时延通信（URLLC）的出现以及 Open RAN（ORAN）架构的兴起，为下一代通信系统的无线资源管理（RRM）带来了前所未有的挑战和机遇。本文present了一项全面的 DRL（深度强化学习）方法的权衡分析，用于提升 ORAN 框架下 URLLC 的性能。通过探讨 various DRL strategies for optimising RRM 参数，我们揭示了在 ORAN 原则下实现可靠性、时延及其新found adaptability 之间 intricate balance 的挑战。通过大量仿真结果，我们比较了不同 DRL 模型在 ORAN 上下文中实现 URLLC 目标的有效性，凸显了 DRL 在应对 ORAN 引入的复杂性方面的潜力。本 study 提供了关于在 ORAN 启用无线网络中实施 DRL-based RRM 解决方案的宝贵见解。它揭示了将 DRL 与 ORAN 集成以增强 URLLC 的优势与挑战。我们的发现为 URLLC 和 ORAN 领域的持续讨论贡献了实用见解，为未来追求高效、可靠和灵活通信系统的研究提供了道路图。