基于双时间尺度数字孪生的无线网络模型干扰与再训练

本文我们利用增量学习研究了动态无线网络中的资源分配和模型再训练问题，数字孪生 (DT) 方案用于决策制定。我们提出了一个双时间尺度框架，用于计算资源分配、移动用户关联和用户模型的增量学习。为获得最优的资源分配和增量学习策略，我们基于混合 DT-物理架构提出了一种高效双时间尺度方案，以最小化长期系统延迟为目标。具体而言，在大时间尺度上，基站将更新用户关联并基于 DT 系统的统计状态信息实施增量学习决策。随后，在短时间尺度上，基于深度强化学习 (DRL)，设计有效的计算资源分配和来自 DT 系统的增量学习数据，从而降低网络系统在数据传输、数据计算和模型再训练步骤中的延迟。仿真结果表明，我们提出的双时间尺度方案优于基准方案。