面向 RAN 切片的意图驱动无线电调度器:学习应对不同网络场景
网络与互联网体系结构
2025-10-01 v1
摘要
未来移动网络肩负着将可用无线电资源分配给具有不同需求的各种应用的复杂任务。无线接入网切片通过为每组应用隔离并使用专用资源,实现了不同逻辑网络的创建。在此场景下,无线电资源调度(RRS)负责将可用无线电资源分配给各切片,以满足其服务等级协议(SLA)要求,在最小化意图违规次数的同时优先保障关键切片。此外,确保 RRS 能够应对高度多样化的网络场景至关重要。近期多篇论文提出了基于机器学习的 RRS 进展。然而,其场景与切片种类受限,这阻碍了在部署于真实网络后对模型泛化能力得出可靠结论。本文提出了一种在无线接入网(RAN)切片背景下使用多智能体强化学习的意图驱动 RRS。当可用无线电资源无法满足所有切片时,所提方法可保护高优先级切片。该方法利用迁移学习以减少所需的训练步数。我们在不同网络场景下评估了所提方法与基线方法,这些场景涵盖了不同切片类型、信道轨迹、活跃切片与用户设备(UE)数量以及 UE 特性的组合。所提方法在保护更高优先级切片方面优于基线方法,提升了 40%;在考虑所有切片时,相较基线方法提升了 20%。结果表明,通过使用迁移学习,所需训练步数可减少至八分之一而不损害性能。
引用
@article{arxiv.2501.00950,
title = {Intent-based Radio Scheduler for RAN Slicing: Learning to deal with different network scenarios},
author = {Cleverson Nahum and Salvatore D'Oro and Pedro Batista and Cristiano Both and Kleber Cardoso and Aldebaro Klautau and Tommaso Melodia},
journal= {arXiv preprint arXiv:2501.00950},
year = {2025}
}