面向车载通信的网络切片：一种多智能体深度强化学习方法
网络与互联网体系结构
2022-01-28 v1
摘要
本文研究采用非正交多址接入（NOMA）与网络切片的车载网络中的多智能体资源分配问题。为保障不同车辆的异构业务需求，我们提出了一种网络切片架构。我们关注非蜂窝网络场景，其中车辆通过直连设备到设备接口以广播方式通信。在此类车载网络中，车辆间的资源分配十分困难，主要由于（i）高移动性车辆间无线信道的快速变化以及（ii）缺乏中心协调点。因此，获取瞬时信道状态信息以执行集中式资源分配的可能性被排除。所考虑的资源分配问题因而非常复杂，不仅包含通常的频谱与功率分配，还包括覆盖选择（广播至哪些目标车辆）与数据包选择（使用哪个网络切片）。该问题必须联合求解，因为所选数据包可利用 NOMA 叠加，从而须谨慎分配频谱与功率以获得更好的车辆覆盖。为此，我们给出一种优化方法并研究了该问题的 NP 困难性。随后，我们利用多智能体马尔可夫决策过程对问题建模。最后，我们采用深度强化学习（DRL）方法求解该问题。所提 DRL 算法具有实用性，因其可在在线与分布式方式下实现。我们表明，面对网络参数的不同变化并与集中式基准相比，我们的方法稳健且高效。
引用
@article{arxiv.2201.11281,
title = {Network slicing for vehicular communications: a multi-agent deep reinforcement learning approach},
author = {Zoubeir Mlika and Soumaya Cherkaoui},
journal= {arXiv preprint arXiv:2201.11281},
year = {2022}
}