May, 2019

使用 GAN 的深层分布式强化学习进行网络切片的资源管理

PDF
TL;DR本文介绍了如何使用深度强化学习（DRL）解决无线接入网络中多个切片共享物理资源，且包含多种不同要求的服务，针对此类场景中的需求感知资源分配问题，作者提出了一种基于生成式对抗网络（GAN）和 DDQN 算法的切片联网资源优化方法。实验表明，所提出的算法可以有效地提高网络切片的资源利用率和服务性能。
network slicingresource allocationdeep reinforcement learningservice level agreement5g
发现论文，激发创造
  • 网络分片资源管理的深度强化学习

    本研究探讨了深度强化学习在网络切片资源管理中的应用，并通过广泛的模拟比较实现了无线电资源切片和基于优先级的核心网络切片等场景中深度强化学习的优势。同时，从一个更广泛的视角讨论了在网络切片中应用深度强化学习可能面临的挑战。

    May, 2018

  • 应对异构资源需求和时变流量动态的网络切片深度强化学习

    本研究提出了一种基于深度强化学习的网络分片动态资源分配问题解决方案，模拟数据和真实负载驱动跟踪的模型评估表明，相比于基准均等分片策略，我们的解决方案提高了总资源利用率，降低了时延性能，并满足了更多的需求。

    Aug, 2019

  • 基于注意力的深度强化学习的开放式无线接入网络切片管理

    本文介绍了一种基于 O-RAN 模块和分布式代理合作，利用注意力机制的深度强化学习（ADRL）技术，以实现更好的网络性能，通过有效信息提取和实现泛化，提出了在分布式代理之间引入值 - 注意力网络来实现可靠和最优决策。模拟结果证明，与其他深度强化学习基线方法相比，该方法显著提高了网络性能。

    Jun, 2023

  • 数字孪生增强深度强化学习用于网络切片资源管理

    网络切片通信系统通过动态和高效地分配资源来满足各种服务的需求。本文提出了一种由数字孪生和强化学习代理构成的框架来处理资源分配的问题，并验证了该框架的可扩展性，展示了数字孪生对切片优化策略性能的显著改进。

    Nov, 2023

  • 深度对抗神经网络实现最优和快速实时资源切片

    本文提出了一种具有先进的深度弈算法的网络切片方法，用于快速实时的网络资源分配，该方法在动态用户需求时，通过将各种类型的资源切片到不同的用户类别下的虚拟切片中来最大化网络提供商的长期回报，并能够在多资源同时优化时更快地获得最优平均回报。

    Feb, 2019

  • 快速可扩展的深度学习与拉格朗日方法集成的网络切片

    我们提出了一种新颖的框架，将约束优化方法和深度学习模型相结合，从而实现了强大的泛化能力和优越的逼近能力，基于该框架，我们设计了一种新的神经辅助算法，以在切片之间的资源限制下最大化网络效用，该算法具有高可扩展性，轻松适应不同数量的切片和切片配置，通过与深度强化学习方法等最先进的解决方案进行比较，我们在系统级网络模拟器中实施了该解决方案，并通过大量评估结果表明，在不同网络切片场景下，我们的解决方案获得了近乎最优的服务质量满意度和有希望的泛化性能。

    Jan, 2024

  • 使用受限制强化学习对 5G 切片进行可通用的资源规模扩展

    本文介绍了使用基于回归的模型来学习 QoS 和资源分配之间的关系，并利用基于风险的强化学习代理进行动态缩放截片资源以维持所需的 QoS 水平和最大限度地提高资源效率的方法。我们的新方法不需要将 QoS 度量数学地公式化为流量，可以减少网络建模误差的影响，并具有针对不确定网络条件，定向于各种 QoS 度量的鲁棒性，同时具有在不同实际流量模式下推广的性质。结果表明，该方法能够在先前未见的流量上将 QoS 降级保持在预设的 10％以下，同时最小化分配的资源，并展示了拟议方法对不同的网络条件和不准确的流量预测的鲁棒性

    Jun, 2023

  • 通过 Twin Delayed DDPG 和 OpenAI Gym 实现连续多目标零触碰网络切片

    这篇论文介绍了一种使用人工智能技术的网络切片自动化资源管理方法，采用多目标策略并使用深度强化学习方法以最小化延迟、能源消耗和虚拟网络功能实例化成本。通过实验结果表明，该方法在提高切片成功率、降低延迟、节能和利用 CPU 方面具有优越性。

    Jan, 2021

  • O-RAN 动态切片管理的演化深度强化学习

    本文介绍了一种新的管理网络切片的框架，该框架使用了基于演化的深度强化学习 (EDRL) 方法，将 O-RAN 切片表示为马尔可夫决策过程 (MDP)，并通过对资源分配的最优解来满足服务需求，模拟结果表明，所提出的方法比 DRL 基线提高了 62.2% 的服务质量。

    Aug, 2022

  • MEC 辅助下的智能混合资源分配在 RAN 切片网络中

    通过考虑多节点计算资源的协作分配、传输资源块（RB）的分配以及系统的时变动态性，本文旨在通过联合考虑提出一种适用于合作 MEC 辅助的 RAN 切片系统中异构服务需求的最大 SSR 的方法。对系统进行抽象并使用循环图强化学习算法来智能地学习最佳混合 RA 策略，利用图神经网络（GCN）和深度确定性策略梯度（DDPG）有效地提取等效拓扑图的空间特征。此外，还设计了一种新的时间循环强化学习框架，将先前时刻策略网络的动作输出整合到后续时刻策略网络的状态输入中，以适应时变和上下文网络环境。此外，我们探讨了两种使用案例场景，以讨论所提出的 RGRL 算法的普遍优越性。仿真结果表明，所提出的算法在平均 SSR、性能稳定性和网络复杂性方面具有优势。

    May, 2024