Oct, 2021

基于 Actor-Critic 学习的 O-RAN 资源分配中的动态 CU-DU 选择

PDF
TL;DR本文提出两种基于 actor-critic 学习的技术来优化资源分配功能的位置以及资源分配决策，并研究了增强学习资源分配在可观测性方面对性能的影响，实验表明，在动态地网络功能（NF）根据服务要求进行重新定位时，使用强化学习技术能够获得延迟和吞吐量的提高。
next generation radio access networkself-optimizationreinforcement learningresource allocationlatency
发现论文，激发创造
  • Open-RAN 网络资源分配的自博弈学习策略

    本文提出了基于深度强化学习和类似于 AlphaGo Zero 的神经蒙特卡罗树搜索的自我对抗自学习策略，以实现不同网络条件下的智能 RU-DU 资源分配，并研究了 ORAN 系统中 RU-DU 资源分配问题的 2D 装箱模型

    Mar, 2021

  • 基于深度强化学习和图神经网络的光可组合数据中心网络感知计算和内存分配

    采用深度强化学习方法，通过图神经网络模型实现网络资源的分配，该方法比现有的最佳启发式算法达到更高的接受率；即使在未适当训练的情况下，可以在规模比训练时大 $10^2$ 倍的数据中心网络中保持高性能。

    Oct, 2022

  • 基于强化学习的开放式 RAN 中稀疏感知智能大规模随机接入控制

    提出了基于强化学习的闭环访问控制方案，通过近实时的无线接入网络智能控制器与环境的持续交互来确定强化学习策略，以实现对 Open Radio Access Network 中大规模访问请求的高效控制和管理，同时还提出了数据驱动的深度强化学习辅助方案，可用于处理连续和高维状态、动作空间的高度复杂的环境。

    Mar, 2023

  • 面向 O-RAN 的演员 - 评论家网络资源分配：xApp 设计，部署和分析

    本文介绍了一种针对 O-RAN 的端到端设计和评估过程，探讨了如何利用两种不同的强化学习方法开发基于强化学习的 xApp，并考虑了最新发布的 O-RAN 架构和接口。

    Sep, 2022

  • 基于深度强化学习的绿色雾计算射频接入网络的模式选择和资源管理

    提出基于深度强化学习 (DRL) 的联合模式选择和资源管理方法，使用智能决策优化 C-RAN 和 D2D 模式下的无线和计算资源，旨在通过边缘缓存状态的动态优化长期减少系统能耗。在模拟中，将学习率和边缘缓存服务能力等参数的影响演示出来，并将该方案与其他不同的方案进行对比展示其有效性，并将迁移学习与 DRL 整合以加速学习过程。

    Sep, 2018

  • 基于 Actor-Critic 的网络切片无人干预联合资源与能耗控制学习

    本文提出了一种基于知识平面的 MANO 框架，叫做 KB5G，结合了算法创新和人工智能以实现能耗最小化和虚拟网络功能成本最小化。最后，数值结果表明了采用该方法所获得的优势，并验证了其在能耗、 CPU 利用率和时间效率方面的性能。

    Jan, 2022

  • 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

  • 基于深度强化学习的智能 O-RAN URLLC 流量引导

    该研究提出基于机器学习的交通引导方案以预测网络拥塞并在避免其的基础上通过优化设置来服务具备低延迟和高可靠性需求的 URLLC 应用。在 O-RAN 中，比传统反应式交通引导方法平均减少 15.81％的排队延迟。

    Mar, 2023

  • O-RAN 中的智能负载均衡与资源分配：一种多智能体多臂赌博机方法

    该论文研究了如何利用机器学习算法实现开放式无线接入网络的智能化管控，提出了一种基于多智能体和多臂赌博机的负载平衡和资源分配策略，并通过仿真实验证明，该算法在有效提升网络吞吐率的同时，相对于基于规则的和其他启发式算法，更能实现开放接入单元之间的负载均衡。

    Mar, 2023

  • 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