面向可靠接入与截止时间约束数据卸载的车载网络切片：一种多智能体设备端学习方法
网络与互联网体系结构
2021-10-18 v2 分布式、并行与集群计算
多智能体系统
系统与控制
信号处理
系统与控制
摘要
高效数据卸载在计算密集型平台中起着关键作用，因为无线信道上的数据速率存在根本限制。此外，高移动性给车载边缘网络(VENs)增添了额外负担，强化了对高效以用户为中心解决方案的需求。因此，不同于传统不灵活的以网络为中心的方法，本文利用软件定义灵活、开放且可编程的网络平台，在 VENs 中实现高效的以用户为中心、快速、可靠且受截止时间约束的卸载方案。在所提模型中，每个活跃车辆用户(VU)通过创建一种新型虚拟小区(VC)由多个低功率接入点(APs)服务。我们构建了一个节点关联、功率分配与分布式资源分配的联合问题。由于集中式学习在许多实际问题中不可行，遵循自主 VU 的分布式特性，每个 VU 被视为一个边缘学习智能体。为此，考虑实际的位置感知节点关联，我们构建了一个无线电与功率资源分配的联合非合作随机博弈。利用强化学习(RL)的有效性，提出了一种多智能体 RL(MARL)方案，其中边缘学习器旨在学习纳什均衡(NE)策略以高效求解该博弈。此外，仿真使用了真实地图数据与实用的微观移动性模型。结果表明，所提以用户为中心的方法在 VENs 中可取得卓越性能。而且，所提 MARL 方案在上行链路分布式随机接入情形下以约 3% 的碰撞概率提供了近最优性能。
引用
@article{arxiv.2012.15545,
title = {Vehicular Network Slicing for Reliable Access and Deadline-Constrained Data Offloading: A Multi-Agent On-Device Learning Approach},
author = {Md Ferdous Pervej and Shih-Chun Lin},
journal= {arXiv preprint arXiv:2012.15545},
year = {2021}
}
备注
This paper was rejected from JSAC; we need to address the reviewers' comments