基于深度强化学习的5G O-RAN近实时资源切片QoS优化
系统与控制
2026-01-13 v2 人工智能
系统与控制
摘要
开源无线接入网络（O-RAN）已成为5G及更高频率无线接入网络的重要范式。本文提出了一个用于5G O-RAN近实时（Near-RT）RAN智能控制器（RIC）的xApp，即xSlice。xSlice是一种在线学习算法，能够适应性地调整MAC层资源分配，以响应动态网络状态，包括时变无线信道条件、用户移动性、流量波动以及用户需求变化。为解决这些网络动态问题，本文首先通过量化所有流量会话的QoS需求（通过对其吞吐量、时延和可靠性进行加权）将QoS优化问题形式化为后悔最小化问题。随后，我们开发了一个深度强化学习（DRL）框架，利用演员-评论家模型结合价值驱动和基于策略的更新方法的优势。将图卷积网络（GCN）作为DRL框架的组件，用于对RAN数据进行图嵌入，使xSlice能够处理动态数量的流量会话。我们在包含10部智能手机的O-RAN测试平台上实现了xSlice，并开展了大量实验以在真实场景中评估其性能。实验结果表明，与当前最先进解决方案相比，xSlice可将性能后悔降低67%。源代码已公开于https://github.com/xslice-5G/code。
引用
@article{arxiv.2509.14343,
title = {Near-Real-Time Resource Slicing for QoS Optimization in 5G O-RAN using Deep Reinforcement Learning},
author = {Peihao Yan and Jie Lu and Huacheng Zeng and Y. Thomas Hou},
journal= {arXiv preprint arXiv:2509.14343},
year = {2026}
}
备注
Published in: IEEE Transactions on Networking