C-RAN 中基于学习的时延受限前传压缩优化
网络与互联网体系结构
2023-11-08 v1 机器学习
摘要
无线移动网络向云化演进，其中无线接入网（RAN）功能可部署于集中或分布式位置，带来了低成本部署、更高容量和更高硬件利用率等诸多益处。然而，功能部署的灵活性是以严格的前传（FH）容量和时延要求为代价的。应对这些严苛约束的一种可能方法是使用 FH 压缩技术。为确保满足 FH 容量和时延要求，在高负载时应用更多 FH 压缩，而在中低负载时应用较少压缩以改善 FH 利用率和空口性能。本文提出一种无模型的基于深度强化学习（DRL）的 FH 压缩（DRL-FC）框架，该框架通过调制阶数、预编码器粒度以及预编码器权重量化等多种影响 FH 负载和空口性能的的配置参数动态控制 FH 压缩。仿真结果表明，在不同 FH 负载水平下，DRL-FC 的 FH 利用率（平均 68.7%）和空口吞吐量均显著高于参考方案（即不应用压缩）。同时，所提 DRL-FC 框架能够在各种 FH 负载下满足预定义的 FH 时延约束（本工作中设为 260 s）。
引用
@article{arxiv.2311.03899,
title = {Learning-Based Latency-Constrained Fronthaul Compression Optimization in C-RAN},
author = {Axel Grönland and Bleron Klaiqi and Xavier Gelabert},
journal= {arXiv preprint arXiv:2311.03899},
year = {2023}
}
备注
Accepted for publication at IEEE International Workshop on Computer Aided Modeling and Design of Communication Links and Networks (CAMAD) 6 to 8 November 2023, Edinburgh, Scotland. arXiv admin note: text overlap with arXiv:2309.15060