RateRL：在 ns-3 中开发基于 RL 的速率自适应算法框架
网络与互联网体系结构
2023-10-10 v1
摘要
近期 Wi-Fi 修正案日益复杂，使得传统算法与启发式方法难以应对速率自适应(RA)问题，这归因于大量的配置参数组合以及无线信道的高度时变性。近来，若干工作提出使用强化学习(RL)技术来解决该问题。然而，所提方案缺乏充分的技术说明。此外，缺少支持结果可复现的标准框架以及源代码有限，使得与最先进方法的公平比较成为挑战。本文提出一个名为 RateRL 的框架，它将最先进的库与知名的网络模拟器 3(ns-3)相集成，以实现基于 RL 的 RA 算法的实现与评估。据我们所知，RateRL 是首个可在基于 RL 的 RA 算法的实现、验证与评估阶段协助研究者并实现竞争算法间公平比较的可用工具。
引用
@article{arxiv.2310.05772,
title = {RateRL: A Framework for Developing RL-Based Rate Adaptation Algorithms in ns-3},
author = {Ruben Queiros and Luis Ferreira and Helder Fontes and Rui Campos},
journal= {arXiv preprint arXiv:2310.05772},
year = {2023}
}