MMDec, 2018

基于机器学习的低延迟高可靠通信风险感知资源分配的挑战与策略

PDF
TL;DR通过机器学习技术在 5G 无线网络中实现非计划 URLLC 流量传输的研究，提出了一种分布式风险感知机器学习解决方案，从而可以实现计划或非计划 URLLC 流量的同时满足其严格的延迟和可靠性要求。
ultra-reliable low-latency communications5g wireless networkscoexistencemachine learningradio resource management
发现论文，激发创造
  • 5G 及其后续版本中 eMBB 和 URLLC 共存的智能资源分配：基于深度强化学习的方法

    本文研究了两个不同的 5G 服务，即 Ultra-Reliable Low Latency Communications（URLLC）和 enhanced Mobile BroadBand（eMBB）在动态多路复用场景下的资源切片问题。通过优化问题的形式化，提出了一种基于深度强化学习的资源分配算法，以最大化 eMBB 数据速率并满足 URLLC 可靠性约束，避免 URLLC 流量对 eMBB 可靠性造成的瞬时影响。模拟结果显示，该方法能够满足严格的 URLLC 可靠性要求，同时使 eMBB 的可靠性保持在 90％以上。

    Mar, 2020

  • eMBB-URLLC 资源切片：一种风险敏感的方法

    使用风险敏感度和马尔可夫不等式，将资源分配给严格低延迟通信（URLLC）的新射频应用，同时保护当前增强型移动宽带用户的数据速率，从而有效地分配资源并满足 URLLC 和 eMBB 的可靠性。

    Feb, 2019

  • 6G 网络中用于超高可靠性和低延迟通信的深度学习

    本研究论文探讨了如何将数据驱动的深度学习和深度强化学习应用于未来 6G 网络中的 URLLC，构建了一种多层次架构，并采用迁移学习和联合学习等方法来提高网络延迟和可靠性

    Feb, 2020

  • 5G 无线网络中 URLLC 和 eMBB 流量的联合调度

    针对即使在 eMBB 资源分配存在的情况下降低 URLLC 通信延迟的需求，本文研究了对 5G 系统进行联合 eMBB 和 URLLC 调度的最优方法。结果表明，通过迭代梯度算法进行 eMBB 调度，采用 URLLC 需求调度器，可以同时实现对 eMBB 流量的最大利用和对 URLLC 要求的直接满足。

    Dec, 2017

  • 基于分层强化学习的低时延高可靠通信编排

    应用多智能体分层强化学习框架，优化无线资源分配，在 5G 的超可靠低延迟通信服务中实现更好的性能并减少信号传输和延迟开销，特别适用于工厂自动化场景。

    Jul, 2023

  • 5G 无线网络中 eMBB 和 uRLLC 的共存机制

    本文研究了 5G 移动通信网络中 uRLLC 和 eMBB 服务之间的共享资源调度问题，通过使用 PSUM 算法和优化技术，提出了一种优化问题，以最大化 eMBB UEs 的 MEAR 并满足 uRLLC traffic 的相关规定，结果表明该方法明显优于基线方法，可显著提高 eMBB 用户体验和公平得分。

    Mar, 2020

  • 基于神经情境赌博机的可靠性优化用户接入控制方法，适用于 URLLC 流量

    提出了一种基于深度神经网络的 UE 接入控制方法，以实现接近最优的性能，提高小区级的服务可靠性和资源利用效率。

    Jan, 2024

  • 超可靠低时延通信联合上下行资源配置

    为了支持超可靠低延迟通信（URLLC），我们首先提出了适用于 URLLC 的分组传递机制，然后联合优化上下行带宽配置和延迟成分，以最小化保证总数据包丢失和端到端延迟所需的总带宽。

    Jan, 2018

  • 极端低时延低误码率通信：愿景、挑战和关键要素

    本研究提出了 xURLLC 新理念，通过机器学习技术、RF 与 non-RF 模式融合以及通信与控制协同设计三种核心技术支撑，打破了 5G URLLC 中的通信中心化思维，提出新的研究方向。同时，针对关键应用场景提出一套完整的解决方案与技术支持，致力于推动一次超越 5G/6G 的革新。

    Jan, 2020

  • 利用机器学习进行卫星灵活载荷配置

    该研究论文介绍了一种基于机器学习的无线资源管理方法，加入环境感知度量评估通信系统整体性能的机器学习模型的资源分配决策的影响。

    Oct, 2023