面向 URLLC 流量的可靠性优化用户准入控制：一种神经上下文赌博机方法
机器学习
2024-01-09 v1 人工智能
信息论
网络与互联网体系结构
信号处理
math.IT
摘要
超可靠低延迟通信 (URLLC) 是下一代无线网络中广泛新兴服务的基石。URLLC 从根本上依赖于网络主动确定是否有足够资源支持 URLLC 流量的能力，从而防止所谓的基站过载。然而，为 URLLC 用户设备 (UE) 实现准确的服务质量 (QoS) 预测并防止基站过载是非常具有挑战性的任务。这是由于 QoS 指标（延迟和可靠性）对流量和信道统计特性、用户移动性以及 UE 间相互依赖的性能存在依赖关系。在本文中，开发了一种新的 QoS 感知 UE 准入控制方法，用于在将 URLLC UE 关联到基站之前主动估计其 QoS，并据此仅准许不会导致基站过载的 UE 子集。为此，我们构建了一个优化问题，以寻找一种高效的 UE 准入控制策略，该策略知晓 UE 的 QoS 要求和基站级别的负载动态。为了解决这个问题，提出了一种新的基于机器学习的方法，该方法建立在（深度）神经上下文赌博机之上，这是一个适合处理非线性赌博机问题的框架。实际上，UE 准入控制器被视为一个赌博机智能体，它观察一组网络测量值（上下文），并根据依赖于上下文的 QoS（奖励）预测做出准入控制决策。仿真结果表明，所提出的方案能够实现接近最优的性能，并在基站级别的服务可靠性和有效资源利用方面产生显著收益。
引用
@article{arxiv.2401.03059,
title = {Reliability-Optimized User Admission Control for URLLC Traffic: A Neural Contextual Bandit Approach},
author = {Omid Semiari and Hosein Nikopour and Shilpa Talwar},
journal= {arXiv preprint arXiv:2401.03059},
year = {2024}
}
备注
To be published in the proceedings of the 2024 IEEE International Conference on Machine Learning for Communication and Networking (ICMLCN)