基于聚类与深度强化学习的5G毫米波无线资源与波束管理
网络与互联网体系结构
2021-03-10 v1
摘要
为在毫米波（mmWave）网络中最优覆盖用户，需要通过聚类来确定波束的数量与方向。用户的移动性催生了对在线聚类方案的需求，以维持指向这些簇的最新波束。此外，用户的移动性导致簇的模式不断变化（即用户从一个波束覆盖区移动到另一波束覆盖区），造成每波束的动态业务负载。因此，需要高效的无线资源分配与波束管理来应对由用户及其业务移动性引起的动态性。本文考虑5G毫米波网络中超可靠低时延通信（URLLC）与增强移动宽带（eMBB）用户的共存，并提出一种感知服务质量（QoS）的聚类与资源分配方案。具体而言，采用基于密度的带噪声空间聚类应用（DBSCAN）对用户进行在线聚类并选择波束数量。此外，采用基于长短期记忆（LSTM）的深度强化学习（DRL）方案进行资源块分配。所提方案的性能与采用K-means和基于优先级的成比例公平分别进行聚类与资源分配的基线进行比较。我们的仿真结果表明，所提方案在URLLC用户的时延、可靠性、速率以及eMBB用户的速率方面均优于基线算法。
引用
@article{arxiv.2103.05047,
title = {Radio Resource and Beam Management in 5G mmWave Using Clustering and Deep Reinforcement Learning},
author = {Medhat Elsayed and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2103.05047},
year = {2021}
}