基于多智能体相关 Q 学习的 5G 无线接入网资源切片
网络与互联网体系结构
2021-07-05 v1 系统与控制
系统与控制
摘要
5G 被视为革命性移动网络，有望满足从远程医疗到智能城市的大量新型业务。然而，不同业务的异构服务质量（QoS）需求与有限频谱，使无线资源分配成为 5G 中的难题。本文中，我们提出一种用于 5G 无线资源切片的多智能体强化学习（MARL）方法。我们将每个切片建模为竞争有限无线资源的智能体，并应用相关 Q 学习进行切片间资源块（RB）分配。将所提出的相关 Q 学习切片间 RB 分配（COQRA）方案与 Nash Q 学习（NQL）、时延-可靠性-吞吐量 Q 学习（LRTQ）方法以及优先级比例公平（PPF）算法进行比较。仿真结果表明，与 LRTQ 相比，所提 COQRA 实现低 32.4% 的时延与高 6.3% 的吞吐量，且比 NQL 低 5.8% 的时延与高 5.9% 的吞吐量。与 PPF 相比，观察到显著更高的吞吐量与更低的分组丢弃率（PDR）。
引用
@article{arxiv.2107.01018,
title = {RAN Resource Slicing in 5G Using Multi-Agent Correlated Q-Learning},
author = {Hao Zhou and Medhat Elsayed and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2107.01018},
year = {2021}
}
备注
Accepted by 2021 IEEE International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC), copyright belongs to IEEE