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

PDF
TL;DR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。
open radio access networkmachine learning algorithmsmulti-agent multi-armed banditload balancingresource allocation
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

  • 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

  • O-RAN 中网络切片的高效资源分配的半监督学习方法

    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

  • 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

  • MIX-MAB：基于强化学习的 LoRaWAN 资源分配算法

    本文提出了一种分布式资源分配算法，利用强化学习的思想，将资源分配问题建模成多臂老虎机问题，并通过 MIX-MAB 算法解决，仿真结果表明该算法在收敛时间和数据包传输成功率等方面表现优异。

    Jun, 2022

  • 上行 NOMA-IoT 网络资源分配：一种强化学习方法

    本文针对非正交多址技术中的公平资源分配问题，基于强化学习提出了一种高效的资源分配方案，结合深度强化学习算法和 SARSA-learning 算法处理不同网络负载下的差异性问题，并通过数值实验得出在物联网中，非正交多址技术可以比正交多址技术更好地提高系统的吞吐量。

    Jul, 2020

  • O-RAN 中基于在线学习的虚拟基站自适应资源分配

    虚拟基站（vBS）中资源分配的在线学习算法，平衡有效吞吐量和虚拟基站能耗，在各种环境下实现零平均最优差距，节约高达 64.5% 的能耗。

    Sep, 2023

  • 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

  • 5G 网络中基于开放 RAN 架构的流量引导可编程定制智能化

    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