安全RAN控制：一种符号强化学习方法
人工智能
2022-04-26 v2
摘要
在本文中，我们提出一种基于符号强化学习（SRL）的架构，用于无线接入网（RAN）应用的安全控制。具体而言，我们提供了一种完全自动化的流程，其中用户可以为给定蜂窝网络拓扑指定高层逻辑安全规范，以使后者执行通过某些关键绩效指标（KPIs）衡量的最优安全性能。该网络由一组固定的基站（BS）组成，这些基站配备天线，可通过调整其下倾角进行操控。上述过程称为远程电调（RET）优化。近期研究聚焦于采用强化学习（RL）策略执行该RET优化，因其具备在不确定环境中自适应学习的特性。安全一词指网络KPI的特定约束边界，以保证当算法部署于现网时性能得以维持。在我们提出的架构中，安全通过基于组合离散系统模型（自动机）的模型检测技术来确保，这些模型由学习过程抽象得到。我们介绍了一个开发的用户界面（UI），用于帮助用户向系统设定意图规范，并检视智能体提议动作与依据安全规范被允许及被阻断动作之间的差异。
引用
@article{arxiv.2106.01977,
title = {Safe RAN control: A Symbolic Reinforcement Learning Approach},
author = {Alexandros Nikou and Anusha Mujumdar and Vaishnavi Sundararajan and Marin Orlic and Aneta Vulgarakis Feljan},
journal= {arXiv preprint arXiv:2106.01977},
year = {2022}
}
备注
To appear in International Conference of Control and Automation (ICCA) 2022