基于强化学习的5G异构网络中模糊逻辑切换算法联合自优化方法
网络与互联网体系结构
2021-03-02 v3 机器学习
摘要
5G异构网络(HetNets)通过在4G宏系统中部署海量小型基站(BS)可为用户提供更高的网络覆盖与系统容量。然而,小型基站的大规模部署显著增加了网络维护与优化的复杂度和工作量。当前的切换(HO)触发机制A3事件仅针对宏系统中的移动性管理而设计。在5G-HetNets中直接实施A3可能会降低用户移动性鲁棒性。受自组织网络(SON)概念启发,本研究开发了一种自优化触发机制,以实现5G-HetNets中的自动化网络维护并增强用户移动性鲁棒性。所提方法将减法聚类和Q-learning框架的优势集成到传统的基于模糊逻辑的切换算法(FLHA)中。首先采用减法聚类为FLHA生成隶属函数(MF),使FLHA具备自配置特性。随后,利用Q-learning从环境中学习最优切换策略作为模糊规则,赋予FLHA自优化功能。具有SON功能的FLHA还克服了传统FLHA必须严重依赖专业经验进行设计的局限。仿真结果表明,所提自优化FLHA能够有效为FLHA生成MF和模糊规则。与常规触发机制相比,所提方法可将切换、乒乓切换和切换失败率分别降低约91%、49%和97.5%,同时将网络吞吐量和时延分别改善8%和35%。
引用
@article{arxiv.2006.05010,
title = {Reinforcement Learning-Based Joint Self-Optimisation Method for the Fuzzy Logic Handover Algorithm in 5G HetNets},
author = {Qianyu Liu and Chiew Foong Kwong and Sun Wei and Sijia Zhou and Lincan Li},
journal= {arXiv preprint arXiv:2006.05010},
year = {2021}
}