基于强化学习的 disaggregated 绿色开放无线接入网中动态功能分割
摘要
随着 Open RAN (O-RAN) 倡议的势头日益增长，在 disaggregated 和虚拟化的无线接入网 (vRANs) 中以高效方式执行动态功能分割 (FS) 变得极为重要。同样重要的效率需求来自 RAN 硬件和软件的能耗维度。以可再生能源 (RESs) 为 RAN 供电有望提升能效。然而，在这种动态环境下的 FS 需要能够适应 RES 供应变化和移动网络业务负载的智能机制。在本文中，我们提出了一种基于强化学习 (RL) 的动态功能分割 (RLDFS) 技术，该技术决定 O-RAN 中的功能分割，以最佳利用 RES 供应并最小化运营商成本。我们还构建了一个运营支出最小化问题。我们在太阳辐射和速率变化真实数据集上评估了所提方法的性能。我们的结果表明，所提出的 RLDFS 方法有效利用了 RES 并降低了移动网络运营商 (MNO) 的成本。我们还研究了太阳能电池板和电池尺寸的影响，这可能指导 MNO 为其网络决定合适的 RES 和电池规模。
引用
@article{arxiv.2012.03213,
title = {Reinforcement Learning Based Dynamic Function Splitting in Disaggregated Green Open RANs},
author = {Turgay Pamuklu and Melike Erol-Kantarci and Cem Ersoy},
journal= {arXiv preprint arXiv:2012.03213},
year = {2021}
}
备注
Accepted Paper. 20XX IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works