5G 及未来网络中 eMBB 与 URLLC 共存的智能资源切片：一种基于深度强化学习的方法
网络与互联网体系结构
2020-11-13 v3 信号处理
摘要
本文研究两种不同 5G 业务即超可靠低时延通信（URLLC）与增强移动宽带（eMBB）在动态复用场景下的资源切片问题。eMBB 业务关注高数据速率，而 URLLC 对时延与可靠性要求极为严格。有鉴于此，资源切片问题被建模为一个优化问题，旨在满足 URLLC 可靠性约束的前提下最大化 eMBB 数据速率，同时考虑 eMBB 数据速率的方差以减小即时调度的 URLLC 流量对 eMBB 可靠性的影响。为求解所建模问题，提出一种优化辅助的深度强化学习（DRL）框架，包括：1) eMBB 资源分配阶段，与 2) URLLC 调度阶段。在第一阶段，将优化问题分解为三个子问题，随后将各子问题转化为凸形式以获得近似资源分配解。在第二阶段，提出一种基于 DRL 的算法，在 eMBB 用户间智能分配 incoming URLLC 流量。仿真结果表明，所提方法可满足严苛的 URLLC 可靠性，同时将 eMBB 可靠性保持在 90% 以上。
引用
@article{arxiv.2003.07651,
title = {Intelligent Resource Slicing for eMBB and URLLC Coexistence in 5G and Beyond: A Deep Reinforcement Learning Based Approach},
author = {Madyan Alsenwi and Nguyen H. Tran and Mehdi Bennis and Shashi Raj Pandey and Anupam Kumar Bairagi and Choong Seon Hong},
journal= {arXiv preprint arXiv:2003.07651},
year = {2020}
}
备注
This work was submitted to the IEEE Transactions on Wireless Communications