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
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
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
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
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
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
我们提出了一种创新的方法,旨在协调 Open Radio Access Network(O-RAN)中的多个独立 xAPPs,以实现网络切片和资源分配,并优化用户设备(UE)之间的加权吞吐量和物理资源块(PRB)的分配。通过设计 power control xAPP 和 PRB allocation xAPP,我们的方法通过监督学习和无监督学习的组合实现了高效的网络切片问题解决方案。与其他方法相比,我们的方法在不同场景中展现出更高的性能和效果。
Jan, 2024
通过多个关键接入点(APs)和自适应重构智能表面(STAR-RISs)的新型网络架构,该研究论文提出了应对室内通信中干扰抑制、功耗和实时配置方面的挑战的解决方案,并采用多智能体深度强化学习(MADRL)来优化 STAR-RIS 的控制。通过模拟实验,论文证明了与基准方法相比,网络效用显著提高。
Jun, 2024
本论文提出了两种基于群组的深度神经网络主动用户检测方案,用于减轻大规模机器类型通信中的传输时延和信令开销问题。通过使用稀疏代码多址接入系统中的接收信号,实现了对多维码本结构和信道特性的非线性映射学习。该方案在接收机无状态信息的条件下,能够在离线训练时段检测到活动设备,有效提高了检测概率。仿真结果表明,该方案比传统的主动用户检测方案在感兴趣的信噪比范围内能够大幅提高概率检测。
Jun, 2021
本文介绍了 ns-O-RAN 软件框架,该框架整合了实际的生产级别的基于近实时 RAN 智能控制器 (near-RT RIC) 以及基于 ns-3 的 3GPP 模拟环境,以便开发 xApp 和自动化的大规模数据收集,并测试深度强化学习驱动的用户级优化控制策略。同时,作者提出了第一个面向用户的 O-RAN Traffic Steering (TS) 智能切换框架,将两种算法结合在一起,优化网络中的用户级别基站服务,使得传输速率和频谱效率平均提高了 50%。
Sep, 2022