5G RAN中基于多智能体深度强化学习的韧性优化
机器学习
2024-07-26 v1 网络与互联网体系结构
摘要
韧性定义为网络抵御、适应和快速恢复故障的能力，并维持用户视角下可接受的服务水平。随着未来无线网络（包括先进5G和新兴6G）的出现，关键服务成为未来网络的重要组成部分，要求为终端用户提供 uninterrupted 的服务。然而，随着网络复杂度的增加、用户移动性和多样性的增长，依赖局部优化的当前韧性管理技术在大规模密集网络部署中面临可扩展性挑战。本文旨在通过基于多智能体深度强化学习对密集多细胞网络进行全局韧性优化来解决此问题。具体而言，我们提出的解决方案可动态倾斜小区天线并重新配置发射功率，以缓解中断并提高覆盖范围和服务可用性。构建了多目标优化问题，以同时满足韧性约束并最大化网络区域内服务质量，以最小化相邻小区中断的影响。广泛的仿真结果表明，采用我们提出的解决方案后，用户吞吐量方面的平均服务可用性可提高最高50-60%，在最佳情况下可达到99%的覆盖可用性。
关键词
引用
@article{arxiv.2407.18066,
title = {Multi-Agent Deep Reinforcement Learning for Resilience Optimization in 5G RAN},
author = {Soumeya Kaada and Dinh-Hieu Tran and Nguyen Van Huynh and Marie-Line Alberi Morel and Sofiene Jelassi and Gerardo Rubino},
journal= {arXiv preprint arXiv:2407.18066},
year = {2024}
}