MMMar, 2020

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

    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。

    Dec, 2018

  • 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

  • 基于信息论的 C-RAN 上行链路中 URLLC 和 eMBB 服务的共存研究

    本文探讨了在多元背景下不同多址方式使用于增强移动宽带 (eMBB) 和超可靠低延迟通信 (URLLC) 上行链路中的性能表现，并研究了使用中央化解码的干扰管理能力与使用边缘节点解码的低延迟要求之间的性能权衡。同时，文章还包括不同解码结构和干扰管理方法 (NOMA) 的讨论，如中断和连续干扰消除 (SIC)，以及在干扰、信噪比水平和前端容量限制的情况下进行的有效设计选择。

    Apr, 2018

  • 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

  • 联合 URRC 和 eMBB 资源分配的深度学习辅助 CSI 估计

    通过采用深度学习技术，本文提出了一种能够解决在高速移动车辆网络中获取发射端信道状态信息的技术，在此基础上进一步解决了一种基于动态网络切片的资源分配问题，实现了全面减少开销和满足阈值的性能优化

    Mar, 2020

  • eMBB、URLLC 和 mMTC 的 5G 无线网络切片：通信理论视角

    研究 5G 无线技术中异构非正交多址传输在上行通信中的潜在优势，通过引入可靠性多样性设计原则，实现在非正交无线接入网络中的性能保障和性能妥协之间的平衡。

    Apr, 2018

  • 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

  • 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