基于深度强化学习的 O-RAN 智能流量调度用于 URLLC
网络与互联网体系结构
2023-03-06 v1 机器学习
摘要
下一代网络的目标是在当前网络范式基础上进行改进,特别是在提供更高数据速率、近实时延迟和近乎完美服务质量方面。然而,现有无线接入网 (RAN) 架构缺乏足够的灵活性与智能来满足这些需求。开放无线接入网 (O-RAN) 是一种构建虚拟化和智能化 RAN 架构的有前景范式。本文提出一种基于机器学习 (ML) 的流量调度 (TS) 方案,用于预测网络拥塞并主动调度 O-RAN 流量以规避拥塞并降低预期排队延迟。为此,我们提出一种优化设置,侧重于保障延迟与可靠性以服务 URLLC 应用。所提解决方案由基于朴素贝叶斯分类器和深度 Q-learning 的两层 ML 策略组成。我们的解决方案与 O-RAN 中作为 xApp 提供的传统反应式 TS 方法进行了评估对比,结果显示在所有部署的 SFC 中排队延迟平均降低 15.81%。
引用
@article{arxiv.2303.01960,
title = {Intelligent O-RAN Traffic Steering for URLLC Through Deep Reinforcement Learning},
author = {Ibrahim Tamim and Sam Aleyadeh and Abdallah Shami},
journal= {arXiv preprint arXiv:2303.01960},
year = {2023}
}
备注
7 pages, 5 figures, accepted for publication in IEEE International Conference on Communications 2023