基于分层强化学习的多 RAT 5G 部署中流量引导
网络与互联网体系结构
2023-01-20 v1
摘要
在 5G 非独立组网模式中，智能流量引导机制可通过从多 RAT 环境中为特定流量选择最佳无线接入技术（RAT）来极大助力保障流畅用户体验。本文提出一种基于分层强化学习（HRL）的新型负载感知流量引导算法，同时满足不同流量类型的多样化 QoS 需求。HRL 可利用具元控制器与控制器的双层架构显著提升系统性能。在我们提出的方法中，元控制器提供适当的负载均衡阈值，而控制器在底层执行向适当 RAT 的流量准入。仿真结果表明，HRL 优于 Deep Q-Learning（DQN）与基于阈值的启发式基线，平均系统吞吐率分别高 8.49%、12.52%，网络时延分别低 27.74%、39.13%。
引用
@article{arxiv.2301.07818,
title = {Hierarchical Reinforcement Learning Based Traffic Steering in Multi-RAT 5G Deployments},
author = {Md Arafat Habib and Hao Zhou and Pedro Enrique Iturria-Rivera and Medhat Elsayed and Majid Bavand and Raimundas Gaigalas and Yigit Ozcan and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2301.07818},
year = {2023}
}
备注
Accepted by ICC, 2023