MMAug, 2022

利用深度强化学习在无小区大规模 MIMO 系统中进行边缘缓存

PDF
TL;DR本文提出使用缓存算法和深度强化学习等技术，来解决铁路无线通信中，列车高速对信号传输产生的影响，从而提高服务体验质量和用户满意度。
cell-free massive mimorailway wireless communicationscoherent transmissioncache placement algorithmsdeep reinforcement learning
发现论文，激发创造
  • 基于深度多智能体强化学习的无线网络合作边缘缓存

    本文提出一种基于多智能体框架的深度强化学习方法以最小化整体平均传输延迟，通过与三种不同的缓存策略对比，结果显示出该算法对于不同环境的能力更强，性能也更好。

    May, 2019

  • 基于强化学习空时流行度的 5G 最优可扩展缓存

    本研究提出了一个基于强化学习和全局 / 本地 Markov 过程的缓存策略框架，用于预取受欢迎的文件，以便下一次请求时可以快速提供服务。

    Jul, 2017

  • 基于深度强化学习的内容缓存框架

    使用 DRL 的 Wolpertinger 架构技术实现内容缓存管理，以优化网络缓存命中率，不需要先验知识，与 LRU、LFU、FIFO 策略相比，相应性能更好，且比 DQL 更为稳定和高效。

    Dec, 2017

  • 基于弹性联合多智能体深度强化学习的下一代网络中的协作边缘缓存

    提出一种基于弹性联邦和多代理深度强化学习的合作边缘缓存方案，通过训练个性化的本地模型、预测流行内容以及协作缓存，优化网络中的成本。实验结果表明，该方案优于现有基线缓存方案。

    Jan, 2024

  • 多用户蜂窝网络中的功率分配策略 —— 基于深度 Q 学习方法

    本文研究了基于模型驱动的电力分配算法在具有干扰多接入信道（IMAC）的无线蜂窝网络中的应用。通过深度强化学习（DRL）的两步训练框架，采用深度 Q 网络（DQN）和深度 Q 学习算法（DQL）从离线学习中获得指定数据集，而对于在线学习过程中的真实数据来说，DQN 可进一步微调。这种方法比现有的 DQL 训练方法更好，具有很好的推广能力。

    Dec, 2018

  • 基于深度强化学习和迁移学习的边缘缓存

    本文探讨了网络中冗余数据传输的日益严峻挑战，提出了基于双深度强化学习缓存的解决方案，通过综合考虑文件的生命周期、大小和重要性等特征，实现了比最近的基于深度强化学习的方法更优异的性能，并引入了迁移学习以解决实际环境中缓存的动态挑战。

    Feb, 2024

  • 协作边缘计算系统中的联合服务缓存、通信和计算资源分配：基于深度强化学习的双时间尺度方法

    通过多维资源的资源共享、服务缓存、深度强化学习等方面的联合优化，我们提出了一种协同多接入边缘计算（MEC）框架，旨在最大化长期的服务质量（QoS）并降低缓存切换成本。通过改进的遗传算法（GA）和基于长短期记忆网络的深度确定性策略梯度（LSTM-DDPG）组成的深度强化学习（DRL）的双时间尺度方案（DGL-DDPG），我们将优化问题转化为马尔可夫决策过程（MDP），以实现大时间尺度上的服务缓存决策。仿真结果表明，我们提出的算法在平均 QoS 和缓存切换成本方面优于基准算法。

    Jul, 2023

  • 缓存辅助的 NOMA 移动边缘计算：一种强化学习方法

    本文提出了一种基于 NOMA 的缓存辅助移动边缘计算框架，使用 LSTM 网络预测任务的受欢迎程度，MAQ-learning 算法用于任务卸载决策并证明了其在每个状态下选择的动作均为最优解。实验结果表明，该框架优于本地计算、卸载计算和非缓存计算，并且 BLA-based MAQ-learning 相对于传统强化学习算法具有更好的性能。

    Jun, 2019

  • 移动边缘缓存中的强化学习安全性

    该研究探讨 MEC 系统中的攻击模式，并使用强化学习提供了安全的卸载和认证方案，以保护数据隐私。

    Jan, 2018

  • 多用户蜂窝网络的功率分配：深度强化学习方法

    本文研究了基于深度强化学习的无模型无需解析解的动力控制方案在跨单元合作、离线 / 在线集中训练和分布式执行等方面的数学分析和具体实现。 分析和仿真结果表明，DRL 设计在性能、鲁棒性和广泛可用性方面优于基于模型的方法，特别是 actor-critic 深度确定性策略梯度算法，可用于现有资源分配方案。

    Jan, 2019