面向6G in-X子网动态资源管理的多智能体强化学习
网络与互联网体系结构
2022-05-11 v1 信号处理
摘要
6G网络促成了子网范围的演进，形成“子网之网”。然而，由于无线子网的动态移动性，子网内与子网间的数据传输不可避免地相互干扰，这给无线资源管理带来了巨大挑战。此外，现有多数方法需要子网间的瞬时信道增益，而这些增益通常难以获取。为解决这些问题，本文提出一种新颖高效的智能无线资源管理方法，采用多智能体深度强化学习（MARL），其仅需各信道上接收功率之和（称为接收信号强度指示（RSSI））而非信道增益。然而，直接从RSSI中分离个体干扰几乎不可能。为此，我们进一步提出一种新颖的MARL架构，名为GA-Net，它集成一个硬注意力层以基于RSSI建模子网间关系的重要性分布并排除不相关子网的影响，并采用带多头注意力层的图注意力网络来提取特征并计算将影响个体吞吐量的权重。实验结果证明，我们提出的框架在各方面均显著优于传统方法及基于MARL的方法。
引用
@article{arxiv.2205.05036,
title = {Multi-agent Reinforcement Learning for Dynamic Resource Management in 6G in-X Subnetworks},
author = {Xiao Du and Ting Wang and Qiang Feng and Chenhui Ye and Tao Tao and Yuanming Shi and Mingsong Chen},
journal= {arXiv preprint arXiv:2205.05036},
year = {2022}
}