面向可靠 V2V 业务提供的半去中心化网络切片：一种无模型深度强化学习方法
信息论
2021-08-30 v1 math.IT
摘要
在网络切片应用于车载网络已成为支持具有多样化服务质量（QoS）需求的新型车对车（V2V）应用的有前景范式。然而，在动态车载通信中实现有效的网络切片仍面临诸多挑战，尤其是 V2V 业务的时变流量与快速变化的网络拓扑。通过利用广泛部署的 LTE 基础设施，本文基于 C-V2X Mode-4 标准提出了一种半去中心化网络切片框架，为多样化的 V2V 业务提供定制化网络切片。仅利用车载网络的长期与局部信息，eNodeB（eNB）即可推断底层网络状况，并智能调整各切片的配置以保障长期 QoS 性能。在 eNB 的协调下，每辆车能够以去中心化方式自主为其 V2V 传输选择无线资源。具体而言，eNB 处的切片控制由一种无模型深度强化学习（DRL）算法实现，该算法是长短期记忆（LSTM）与 actor-critic DRL 的融合。与现有 DRL 算法相比，所提 DRL 既不需要任何先验知识，也不假设任何车载网络的统计模型。此外，仿真结果表明了我们提出的智能网络切片方案的有效性。
引用
@article{arxiv.2108.12014,
title = {Semi-Decentralized Network Slicing for Reliable V2V Service Provisioning: A Model-free Deep Reinforcement Learning Approach},
author = {Jie Mei and Xianbin Wang and Kan Zheng},
journal= {arXiv preprint arXiv:2108.12014},
year = {2021}
}
备注
13 two-column pages, 6 figures, a journal paper submitted to the IEEE Transactions on Intelligent Transportation Systems (T-ITS)