学习增强网络仿真器以迈向数字网络孪生
网络与互联网体系结构
2023-11-22 v1 信号处理
摘要
数字网络孪生 (DNT) 是一种有望复制真实蜂窝网络以实现持续评估、主动管理和假设分析的前沿范式。现有讨论主要集中在仅使用深度学习技术构建 DNT，这引发了对其泛化能力、可解释性和透明度的广泛担忧。在本文中，我们探索了一种利用上下文感知神经智能体增强网络仿真器的替代方法。主要挑战在于离线仿真器与真实网络之间存在非平凡的仿真到现实 (sim-to-real) 差异。为解决这一挑战，我们提出了一种新的学习桥接算法，以在两个交替阶段中高效地桥接仿真到现实的差异。在第一阶段，我们使用新设计的成本感知贝叶斯优化来选择状态，以查询真实网络中的性能。在第二阶段，我们训练神经智能体学习状态上下文，并基于贝叶斯神经网络 (BNN) 桥接概率差异。此外，我们基于 OpenAirInterface RAN 和 Core 以及 USRP B210 和智能手机构建了一个小规模的端到端网络测试平台，并在 NS-3 中复制了该网络。评估结果表明，我们提出的解决方案显著优于现有方法，将仿真到现实的差异降低了 92% 以上。
引用
@article{arxiv.2311.12745,
title = {Learn to Augment Network Simulators Towards Digital Network Twins},
author = {Yuru Zhang and Ming Zhao and Qiang Liu},
journal= {arXiv preprint arXiv:2311.12745},
year = {2023}
}