使用深度强化学习进行毫米波实时调度
网络与互联网体系结构
2023-02-21 v2 机器学习
摘要
我们研究多跳毫米波（mmWave）网状网络中的实时调度问题。我们开发了一种称为自适应激活器强化学习（AARL）的无模型深度强化学习算法，其确定每个时隙应激活的mmWave链路子集以及每条链路的功率水平。AARL最重要的特性是能够在典型5G mmWave网络的严格时隙约束内做出调度决策。AARL可处理多种网络拓扑、网络负载和干扰模型，也能适应不同工作负载。我们在若干拓扑上演示了AARL的运行：含10条链路的小型拓扑、含48条链路的中型网状网络，以及含96条链路的大型拓扑。我们展示了对每种拓扑，将AARL获得的吞吐量与称为RPMA（残差利润最大化算法）的基准算法进行比较。与RPMA相比，AARL最重要的优势是速度快得多，能在每个时隙极快地做出必要调度决策，而RPMA不能。此外，AARL所做调度决策的质量优于RPMA。
引用
@article{arxiv.2210.01423,
title = {Using Deep Reinforcement Learning for mmWave Real-Time Scheduling},
author = {Barak Gahtan and Reuven Cohen and Alex M. Bronstein and Gil Kedar},
journal= {arXiv preprint arXiv:2210.01423},
year = {2023}
}