Jan, 2024

O-RAN 中网络切片的高效资源分配的半监督学习方法

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • MEC 辅助下的智能混合资源分配在 RAN 切片网络中

    通过考虑多节点计算资源的协作分配、传输资源块（RB）的分配以及系统的时变动态性，本文旨在通过联合考虑提出一种适用于合作 MEC 辅助的 RAN 切片系统中异构服务需求的最大 SSR 的方法。对系统进行抽象并使用循环图强化学习算法来智能地学习最佳混合 RA 策略，利用图神经网络（GCN）和深度确定性策略梯度（DDPG）有效地提取等效拓扑图的空间特征。此外，还设计了一种新的时间循环强化学习框架，将先前时刻策略网络的动作输出整合到后续时刻策略网络的状态输入中，以适应时变和上下文网络环境。此外，我们探讨了两种使用案例场景，以讨论所提出的 RGRL 算法的普遍优越性。仿真结果表明，所提出的算法在平均 SSR、性能稳定性和网络复杂性方面具有优势。

    May, 2024

  • 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

  • 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

  • 面向 O-RAN 的演员 - 评论家网络资源分配：xApp 设计，部署和分析

    本文介绍了一种针对 O-RAN 的端到端设计和评估过程，探讨了如何利用两种不同的强化学习方法开发基于强化学习的 xApp，并考虑了最新发布的 O-RAN 架构和接口。

    Sep, 2022

  • 快速可扩展的深度学习与拉格朗日方法集成的网络切片

    我们提出了一种新颖的框架，将约束优化方法和深度学习模型相结合，从而实现了强大的泛化能力和优越的逼近能力，基于该框架，我们设计了一种新的神经辅助算法，以在切片之间的资源限制下最大化网络效用，该算法具有高可扩展性，轻松适应不同数量的切片和切片配置，通过与深度强化学习方法等最先进的解决方案进行比较，我们在系统级网络模拟器中实施了该解决方案，并通过大量评估结果表明，在不同网络切片场景下，我们的解决方案获得了近乎最优的服务质量满意度和有希望的泛化性能。

    Jan, 2024