基于深度强化学习的 Open RAN LSTM 流量预测与切片管理
机器学习
2024-01-17 v1 人工智能
网络与互联网体系结构
系统与控制
系统与控制
机器学习
摘要
随着自动驾驶、智慧城市和智能工厂等新兴应用的出现，网络切片已成为 5G 及未来网络中作为满足服务感知网络需求的关键组成部分。然而，在动态环境中管理不同的网络切片并维持服务质量（QoS）是一项挑战。为解决这一问题，本文利用 ORAN 系统中分布式单元（DU）的异构经验，引入了一种使用分布式深度强化学习（DDRL）的新型 ORAN 切片 xApp 方法。此外，为了增强 RL 智能体的决策性能，还整合了一个基于长短期记忆（LSTM）的预测 rApp，以从动态环境中向 xApp 提供额外信息。仿真结果表明，网络性能得到了显著提升，尤其是在减少 QoS 违规方面。这强调了将预测 rApp 和分布式参与者信息联合作为动态 xApp 一部分的重要性。
引用
@article{arxiv.2401.06922,
title = {Open RAN LSTM Traffic Prediction and Slice Management using Deep Reinforcement Learning},
author = {Fatemeh Lotfi and Fatemeh Afghah},
journal= {arXiv preprint arXiv:2401.06922},
year = {2024}
}
备注
Accepted to publish in the IEEE Asilomar Conference on Signals, Systems, and Computers, 2023