基于裁剪双Q学习的无线网络中QoS感知负载均衡
网络与互联网体系结构
2021-10-18 v1
摘要
近年来，长期演进(LTE)和5G NR(第五代新空口)技术已展现出利用机器学习(ML)算法优化其运行的巨大潜力，这既得益于现场细粒度数据的可用性，也源于网络日益复杂所带来的需求。上述复杂性引发了移动运营商的关注，将其视为通过网络管理自动化(NMA)降低网络资本支出(CAPEX)与运营支出(OPEX)的途径。NMA属于自组织网络(SON)范畴，3GPP已在其中识别出无线接入网(RAN)负载均衡机制的若干挑战与机遇。在机器学习与负载均衡背景下，若干研究聚焦于最大化整体网络吞吐量或资源块利用率(RBU)。本文提出一种新颖的基于裁剪双Q学习(CDQL)的负载均衡方法，综合考虑资源块利用率、时延与信道质量指示符(CQI)。我们将所提方案与传统切换算法及基于资源块利用率的切换机制进行比较。仿真结果表明，相较于基线算法，我们的方案能够改善吞吐量、时延、抖动与丢包率。
引用
@article{arxiv.2107.04207,
title = {QoS-Aware Load Balancing in Wireless Networks using Clipped Double Q-Learning},
author = {Pedro Enrique Iturria Rivera and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2107.04207},
year = {2021}
}