Jan, 2022

基于 Actor-Critic 的网络切片无人干预联合资源与能耗控制学习

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 使用 GAN 的深层分布式强化学习进行网络切片的资源管理

    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。

    May, 2019

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

    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。

    Oct, 2021

  • 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

  • 基于 SARSA 优化的网络切片通信资源建模

    本文提出了一个网络切片的概念模型来解决通信切片资源共享的优化问题，并使用 SARSA 代理来实现一个概念验证原型并讨论了相关的结果。

    Jan, 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

  • 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

  • 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

  • 基于深度强化学习的云原生无线网络资源分配

    基于容器虚拟化的云原生无线网络架构，应用深度强化学习算法来监控网络状态和动态分配资源，优化了网络分片和多接入边缘计算等场景的资源分配，大幅提高了网络效率。

    May, 2023