用于 6G 网络开放 RAN 切片的联邦深度强化学习
太阳与恒星天体物理
2022-10-04 v1
摘要
无线接入网（RAN）切片是使当前 5G 网络和下一代网络满足各垂直行业不同业务需求的关键要素。然而，这些业务需求的异构性以及有限的 RAN 资源使得 RAN 切片非常复杂。事实上，移动虚拟网络运营商（MVNOs）面临的挑战是使其 RAN 切片策略快速适应环境约束和业务需求的频繁变化。机器学习技术，如深度强化学习（DRL），正日益被视为实现 RAN 切片操作管理与编排自动化的关键赋能技术。然而，由于 DRL 模型强烈依赖于其所训练的环境数据，将其推广到多个 RAN 切片环境的能力可能受限。联邦学习使 MVNOs 能够利用更多样化的训练输入用于 DRL，而无需从不同的 RAN 收集这些数据的高成本。在本文中，我们提出一种用于 RAN 切片的联邦深度强化学习方法。在该方法中，MVNOs 协作以提升其基于 DRL 的 RAN 切片模型性能。每个 MVNO 训练一个 DRL 模型并发送以进行聚合。聚合后的模型随后发回给每个 MVNO 以立即使用和进一步训练。仿真结果显示了所提 DRL 方法的有效性。
引用
@article{arxiv.2206.11327,
title = {Undetected Minority-polarity Flux as the Missing Link in Coronal Heating},
author = {Y. -M. Wang},
journal= {arXiv preprint arXiv:2206.11327},
year = {2022}
}