Mar, 2022

深度强化学习中的知识迁移，用于切片感知移动鲁棒性优化

PDF
TL;DR提出了一种基于深度强化学习的切片感知移动性鲁棒性优化 (SAMRO) 方法，该方法通过优化按切片特定的移动参数来提高移动性能，并进一步保证了每个切片的服务质量。与传统的移动性鲁棒性优化算法相比，SAMRO 能显著改善移动性能，提高了在不同切片上服务的连续性。
mobilityrobustnessoptimizationnetwork slicingreinforcement learning
发现论文，激发创造
  • 开放 RAN 中使用深度强化学习的 LSTM 流量预测和切片管理

    通过使用分布式深度强化学习和基于长短期记忆的预测方法，本文介绍了一种利用分布式单元在开放式无线接入网络系统中进行网络切片 xApp 的新方法，并展示了显著提高网络性能、特别是减少服务质量违规的模拟结果。

    Jan, 2024

  • 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

  • 离线强化学习推进 RAN 切片技术

    该研究介绍了离线强化学习（RL）在解决无线网络中的无线电资源管理（RRM）问题方面的应用，展示了它学习接近最优策略的能力，适应不同的服务级别要求，并在各种 RAN 分割场景中发挥潜力。

    Dec, 2023

  • 一种安全且加速的基于深度强化学习的 O-RAN 切片的混合迁移学习方法

    提出了使用深度强化学习 (DRL) 算法的开放无线接入网络 (O-RAN) 切片的转移学习 (TL) 辅助方法，通过政策复用和蒸馏转移学习方法实现了快速收敛和改进泛化能力，显著提高了初始奖励值和收敛场景百分比，减少了奖励方差。

    Sep, 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

  • 基于迁移学习的多主体深度强化学习实现跨小区网络分片

    本文提出了一种基于多个深度强化学习代理的 DIRP 算法来协作优化资源分区，为网络切片满足每个应用的要求；同时设计了一种新颖的迁移学习辅助 DIRP 算法（TL-DIRP），以实现大规模移动网络中的可操作性和转移性。实验结果表明，TL-DIRP 非常大程度地提高了服务性能，为最差服务质量提供约 15% 的违规比率，平均服务 QoS 提供 8.8% 的违规。

    Jun, 2023

  • 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

  • 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

  • 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

  • 切片雾计算射频接入网络中的模式选择和资源分配：一种强化学习方法

    本文研究了雾射频接入网络（F-RAN）中的模式选择和资源分配，并采用混合整数规划方法优化性能。此外，基于机器学习的强化学习算法用于解决原始高复杂性问题。最终的仿真结果表明，我们提出的算法可以在系统功耗和队列延迟之间实现权衡。

    Feb, 2020