用于切片感知移动鲁棒性优化的深度强化学习中的知识迁移
网络与互联网体系结构
2022-03-08 v1 人工智能
机器学习
摘要
自组织网络中的传统移动鲁棒性优化(MRO)旨在通过优化小区特定的切换参数来改善切换性能。然而，此类方案无法满足具有网络切片的下一代网络需求，因其仅保证接收信号强度而非每切片服务质量。为提供真正无缝的移动服务，我们提出了一种基于深度强化学习的切片感知移动鲁棒性优化(SAMRO)方法，其通过优化切片特定的切换参数，在保障每切片服务的同时改善切换性能。此外，为实现安全且样本高效的在线训练，我们开发了两步迁移学习方案：1) 正则化离线强化学习，以及 2) 带混合经验回放的有效在线微调。系统级仿真表明，相较于传统 MRO 算法，SAMRO 在优化切换性能的同时显著改善了切片感知的服务连续性。
引用
@article{arxiv.2203.03227,
title = {Knowledge Transfer in Deep Reinforcement Learning for Slice-Aware Mobility Robustness Optimization},
author = {Qi Liao and Tianlun Hu and Dan Wellington},
journal= {arXiv preprint arXiv:2203.03227},
year = {2022}
}
备注
7 pages, 6 figures, IEEE ICC'2022 accepted