基于MEC与深度强化学习的车联网网络切片
网络与互联网体系结构
2022-01-28 v1 信号处理
摘要
在未来第五代(5G)无线生态系统中,车辆的互联构成了所谓的车联网(IoV)。IoV提供了需要时延敏感、计算密集和带宽贪婪型服务的新应用。移动边缘计算(MEC)和网络切片(NS)是5G网络中两项关键的赋能技术,可用于优化网络资源分配并保障IoV应用的多样化需求。由于传统的基于模型的优化技术通常最终归结为NP难且强非凸、非线性的数学规划公式,本文引入一种基于深度强化学习(DRL)的无模型方法,以解决基于网络切片的MEC赋能IoV网络中的资源分配问题。此外,该方案采用非正交多址(NOMA)以更好地利用稀缺的信道资源。所考虑的问题联合处理了信道与功率分配、切片选择以及车辆选择(车辆分组)。我们将该问题建模为单智能体马尔可夫决策过程,随后使用著名的DQL算法通过DRL求解。我们表明,与基准方案相比,我们的方法在不同网络条件下均具有鲁棒性和有效性。
引用
@article{arxiv.2201.11295,
title = {Network Slicing with MEC and Deep Reinforcement Learning for the Internet of Vehicles},
author = {Zoubeir Mlika and Soumaya Cherkaoui},
journal= {arXiv preprint arXiv:2201.11295},
year = {2022}
}