利用切片化测试环境中的强化学习提升网络吞吐量
人工智能
2024-12-24 v1
摘要
新型应用对高吞吐、低延迟和高可靠性的连接提出了挑战，仍在切片编排架构中造成显著问题。文献探索了采用规范方法、人工智能和组合优化技术的网络切片技术，以解决错误并确保网络切片数据平面吞吐。本文引入了 Enhanced Mobile Broadband (eMBB)-Agent 作为一种新方法，在垂直应用中使用强化学习 (RL) 来提升网络切片吞吐量，以适应服务级别协议 (SLA)。eMBB-Agent 分析应用传输变量并提出离散空间中的动作，以调整接收窗口使用深度Q网络 (DQN)。本文还 presented 实验结果，检验了诸如信道错误率、DQN模型层数和学习率对模型收敛和实现吞吐量的影响，为在网络切片中嵌入智能提供了洞见。
引用
@article{arxiv.2412.16673,
title = {On Enhancing Network Throughput using Reinforcement Learning in Sliced Testbeds},
author = {Daniel Pereira Monteiro and Lucas Nardelli de Freitas Botelho Saar and Larissa Ferreira Rodrigues Moreira and Rodrigo Moreira},
journal= {arXiv preprint arXiv:2412.16673},
year = {2024}
}
备注
Paper already published at Anais do XV Workshop de Pesquisa Experimental da Internet do Futuro (WPEIF)