SliceFed：面向 6G 动态频谱切片的联邦受约束多智能体深度强化学习
网络与互联网体系结构
2026-03-13 v1 系统与控制
系统与控制
摘要
动态频谱切片是 6G 无线接入网络（RAN）的关键使能器，允许异构服务共存。然而，在密集且受干扰的部署环境中，由于信道动态非平稳、严格的服务质量（QoS）要求以及数据隐私需求，资源分配优化仍具挑战。本文提出 SliceFed，一种 novel 的联邦受约束多智能体深度强化学习（F-MADRL）框架。SliceFed 将切片问题建模为受约束马尔可夫决策过程（CMDP），其中自主 gNB 智能体在显式满足细胞间干扰预算和硬性 ultra-reliable low-latency communication（URLLC）时延期限的前提下，最大化频谱效率。我们采用拉格朗日原-对偶方法结合近端策略优化（PPO）以实现约束，而联邦平均（FedAvg） enables 在不交换原始本地数据的情况下进行协作学习。大规模仿真表明，SliceFed 能收敛到稳定、安全感知的策略。不同于启发式和无约束基线方法，SliceFed 实现了 nearly 100% 的 1~ms URLLC 时延期限满足，并在流量负载变化方面表现出优异的鲁棒性，验证了其在可靠和可扩展的 6G 频谱管理方面的潜力。
引用
@article{arxiv.2603.11390,
title = {SliceFed: Federated Constrained Multi-Agent DRL for Dynamic Spectrum Slicing in 6G},
author = {Hossein Mohammadi and Seyed Bagher Hashemi Natanzi and Ramak Nassiri and Jamshid Hassanpour and Bo Tang and Vuk Marojevic},
journal= {arXiv preprint arXiv:2603.11390},
year = {2026}
}
备注
4 figures, 3 algorithms charts