Efficient Pilot Allocation for URLLC Traffic in 5G Industrial IoT Networks
在本文中，我们解决的问题资源分配的报警业务在工业物联网网络使用大规模MIMO。我们制定的一般问题，如何分配导频信号报警业务，使交付得到保证，同时也最大限度地减少为报警保留的导频的数量，从而最大限度地提高了其他业务，如工业控制业务的信道资源。我们提出了一个算法，满足这些要求，并评估其性能分析和模拟研究。对于现实的警报流量特性，平均而言，我们的算法可以在两个时隙内（持续时间等于5G传输时间间隔）使用每个时隙少于1.5个导频发送警报，即使在最坏的情况下，它也可以在任何给定的时隙中使用大约3.5个导频，平均大约四个时隙中保证发送。
2019-09-25 cs.NI
Resource Allocation and Sharing in URLLC for IoT Applications using Shareability Graphs
本文针对URLLC中频谱碎片化且无CSI的密集IoT场景，提出基于共享图的资源分配方法，相比基准算法频谱效率提升50%且公平性也得到改善。
2025-02-28 cs.NI
Graph Diffusion-Based AeBS Deployment and Resource Allocation in RSMA-Enabled URLLC Low-Altitude Wireless Networks
State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications（北京邮电大学网络与交换技术国家重点实验室）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院）；Department of Electrical and Electronic Engineering, University of Hong Kong（香港大学电气电子工程学系）
针对低空无线网络中频谱受限和同频干扰问题，提出基于速率分割多址接入（RSMA）的传输设计，并利用生成式图扩散模型联合优化AeBS部署、用户关联和资源分配，以最大化总速率和覆盖率。
2026-06-19 cs.NI
The Complexity-Performance Tradeoff in Resource Allocation for URLLC Exploiting Dynamic CSI
本文针对URLLC资源分配中的复杂度-性能权衡，提出动态导频分配方案自适应调整CSI年龄，并扩展基于图的分配方法，在密集网络中相比贪婪方法提升频谱效率超12%，公平性亦获改善。
2025-02-28 cs.NI
Resource Allocation for URLLC and eMBB Traffic in Uplink Wireless Networks
在本文中，我们考虑了上行链路5G网络中URLLC业务和eMBB业务的两个资源分配问题。我们建议将频率划分为一个共同的区域和一个基于赠款的区域。基于授权的区域中的频率只能由eMBB业务使用，而公共区域中的频率可以由eMBB业务以及URLLC业务使用。在第一个资源分配问题中，我们提出了一个两人博弈来解决基于赠款的区域的大小和公共区域的大小。我们证明了这个博弈有特定的纯纳什均衡。在第二个资源分配问题中，我们确定每个eMBB用户可以在请求-授权周期中发送的数据包数量。我们提出了一个约束优化问题，以尽量减少授予eMBB用户的数据包的数量的方差。我们表明，注水算法解决了这个约束优化问题。从模拟，我们表明，我们的计划，包括资源分配根据纳什均衡的游戏，持久随机重传的URLLC数据包和分配的eMBB数据包的注水算法，优于其他四个探试法。
2022-09-08 cs.NI cs.SI
5G New Radio Resource Allocation Optimization for Heterogeneous Services
5G新无线电（NR）引入了灵活的数字方案，为在共享信道上复用异构服务的通信提供了必要的灵活性。5G NR的基本挑战之一是开发资源分配方案，以有效地利用这种灵活性来优化与增强型移动宽带（eMBB）共存的超可靠低延迟通信（URLLC）的资源分配，同时确保它们相互冲突的性能要求。为了应对这一挑战，我们提出了一种新的5G NR资源分配公式，以通过考虑它们的相互作用来适应eMBB和URLLC服务。制定的问题的目标是满足吞吐量的服务质量（QoS）的要求时，最佳的全局解决方案是不可行的概率。为此，我们表示为一个整数线性规划的问题，并考虑两个配方与硬和软URLLC吞吐量约束。此外，我们提出了一个低复杂度的两步启发式方法，灵感来自装箱优化的实例，提供一个资源分配效率和计算复杂性之间的权衡。最后，提供的性能结果表明，所提出的方法可以提供低复杂度的资源分配的解决方案，在平衡的服务的性能目标。
2020-11-01 cs.NI
Joint User Association and Resource Allocation Optimization for Ultra Reliable Low Latency HetNets
确保超可靠和低延迟通信（URLLC）对于在5G HetNet中实现延迟关键型应用是必要的。我们提出了一种联合用户到BS的关联和资源优化方法，该方法对于具有蜂窝基站（CBS）和小小区基站（SBS）的HetNet中的URLLC是有吸引力的，同时还降低了能量和带宽消耗。在我们的方案中，基站与基站共享部分可用频谱，作为交换，基站向其覆盖区域内的用户提供数据服务。我们首先表明，CBSs的最优资源分配（ORA）问题是NP-难和计算上难以处理的大量用户。然后，为了降低其时间复杂度，我们提出了一个宽松的探试法（RHM），它打破了原来的ORA问题的启发式用户关联（HUA）算法和凸资源分配（CRA）优化问题。仿真结果表明，所提出的探试法降低了寻找CBS最优解的时间复杂度，从而有利于URLLC。它还通过将用户卸载到SBS来帮助CBS节省能量。仿真结果表明，在保证全业务速率的前提下，蜂窝用户的频谱接入时延降低了93%，能耗降低了33%.
2018-09-18 cs.NI
Distributed Resource Allocation for URLLC in IIoT Scenarios: A Multi-Armed Bandit Approach
University of Padova（帕多瓦大学）；University of Bologna（博洛尼亚大学）；Huawei Technologies（华为技术有限公司）
本文讨论了在未来的6 G工业物联网（IIoT）网络中实现机器间超可靠低延迟通信（URLLC）的问题。就无线电接入网络（RAN）而言，集中式预配置的资源分配要求在上行链路传输之前将调度许可传播到用户设备（UE），这对于URLLC是低效的，特别是在灵活/不可预测的业务的情况下。为了减轻这一负担，我们研究了一种分布式的，以用户为中心的计划的基础上机器学习，其中UE自主选择他们的上行链路无线电资源，而不需要等待调度授权或预配置的连接。通过模拟，我们证明了多臂强盗（MAB）方法是在IIoT环境中考虑URLLC分配资源的理想解决方案，无论是在周期性还是非周期性流量的情况下，即使考虑到高度密集的网络和激进的流量。
2022-11-22 cs.LG cs.NI eess.SP
Towards Resilient 6G O-RAN: An Energy-Efficient URLLC Resource Allocation Framework
本文提出融合元学习的DRL资源分配框架，在6G O-RAN中联合管理eMBB与URLLC，以在变化环境和MC流量不确定性下提升EE并降低时延。
2024-09-09 cs.NI cs.SY eess.SY
Risk-Aware Resource Allocation for URLLC: Challenges and Strategies with Machine Learning
KTH - The Royal Institute of Technology（瑞典皇家理工学院）
支持超可靠低延迟通信（URLLC）是5G无线网络的主要挑战。调度和非调度URLLC流量都需要满足严格的延迟和可靠性要求，以实现各种5G应用。虽然已经研究了物理和媒体访问控制层解决方案以仅满足调度的URLLC业务，但是缺乏关于使得能够传输非调度的URLLC业务的研究，特别是在与调度的URLLC业务共存的情况下。机器学习（ML）由于其利用用户行为和无线电资源的使用中的空间/时间相关性的能力而成为这种共存场景的重要使能器。因此，在本文中，我们首先研究了共存设计的挑战，特别是无线电资源管理（RRM）问题，并提出了一个分布式的风险感知ML解决方案RRM。所提出的解决方案受益于混合正交/非正交无线电资源切片，并且主动调节满足每个URLLC业务类型的延迟/可靠性要求所需的频谱。一个案例研究，探讨潜在的建议RRM服务共存URLLC流量类型。结果进一步提供了关于利用智能RRM的益处的见解，例如，相对于用于调度业务的保守设计方法，实现了数据率的75%的增加，同时满足了调度和非调度业务类型的99.99%的可靠性。
2018-12-22 cs.LG cs.NI stat.ML
DORA: Dynamic O-RAN Resource Allocation for Multi-Slice 5G Networks
DORA提出基于PPO的在线深度强化学习框架，在O-RAN中动态分配PRB给URLLC、eMBB和mMTC切片，优于基线和DQN，提升延迟、吞吐量和覆盖。
2025-09-08 cs.NI
Rate Maximization in Vehicular uRLLC with Optical Camera Communications
光学相机通信（OCC）已成为未来自动驾驶汽车无缝操作的关键技术。通过利用OCC的卓越性能，我们可以满足车辆OCC中超可靠和低延迟通信（uRLLC）的严格要求。在本文中，我们介绍了一种速率优化方法，在车辆OCC通过最佳的功率分配，同时尊重uRLLC的要求。首先，我们制定了一个离散速率优化问题作为一个混合整数规划（MIP）的平均发射功率和uRLLC的约束，为一组给定的调制方案。为了降低求解MIP问题的复杂度，我们将离散速率问题转化为连续速率优化方案。然后，我们提出了一种基于拉格朗日松弛和二分法的算法来解决优化问题。考虑到所提出的算法，我们驱动的离散速率和连续速率优化方案的速率优化和功率分配方案，同时满足uRLLC约束。我们首先通过仿真分析所提出的系统模型的性能。然后，我们调查的平均速率和延迟为不同的目标位出错率的功率分配和速率优化方案的影响。结果表明，增加发射功率分配提高了平均速率和延迟性能。
2022-05-13 cs.NI cs.PF eess.SP
Latency-sensitive Service Delivery with UAV-Assisted 5G Networks
在这封信中，开发了一种新的框架，以提供在覆盖范围外部署无人机（UAV）的关键分散URLLC服务。为此，资源优化问题，即，针对无人机辅助5G网络，研究了在满足URLLC要求的前提下，联合最大化平均和速率和最小化无人机发射功率的资源块和功率分配以及无人机优化部署策略。针对突发URLLC流量问题，提出了一种基于高斯过程回归（GPR）的URLLC流量在线预测模型，该模型能够得到最优URLLC调度和发射功率策略。制定的问题被揭示为一个混合整数非线性规划（MINLP），这是解决以下介绍的连续最小化算法。最后，仿真结果表明我们提出的解决方案的有效性。
2021-04-12 cs.NI
Risk-Sensitive Reinforcement Learning for URLLC Traffic in Wireless Networks
在本文中，我们研究了在多用户多信道无线网络中URLLC业务的动态信道分配问题，其中紧急数据包必须及时成功传输。我们制定的问题作为一个有限的地平线马尔可夫决策过程的随机约束相关的QoS要求，定义为每个用户的丢包率。我们提出了一种新的加权公式，考虑到总的预期回报（成功传输的数据包的数量）和风险，我们定义为QoS要求违反。首先，我们使用值迭代算法来找到最优策略，这假设了所有参数的控制器的完美知识，即信道统计。然后，我们提出了一个Q-学习算法的控制器学习的最优策略，而不具有知识的CSI也没有信道统计。我们说明了我们的算法的性能与数值研究。
2018-11-07 cs.NI
Intelligent Resource Slicing for eMBB and URLLC Coexistence in 5G and Beyond: A Deep Reinforcement Learning Based Approach
在本文中，我们研究了两种不同的5G服务（即超可靠低延迟通信（URLLC）和增强型移动宽带（eMBB））的动态复用场景中的资源切片问题。虽然eMBB服务专注于高数据率，但URLLC在延迟和可靠性方面非常严格。鉴于此，资源切片问题被公式化为优化问题，其旨在最大化受到URLLC可靠性约束的eMBB数据率，同时考虑eMBB数据率的方差以减少立即调度的URLLC业务对eMBB可靠性的影响。为了解决该问题，提出了一种基于优化辅助的深度强化学习（DRL）框架，包括：1）eMBB资源分配阶段，和2）URLLC调度阶段。在第一阶段，优化问题被分解成三个子问题，然后每个子问题转化为一个凸的形式，以获得近似的资源分配的解决方案。在第二阶段中，提出了一种基于DRL的算法来智能地在eMBB用户之间分配传入的URLLC流量。仿真结果表明，我们提出的方法可以满足严格的URLLC的可靠性，同时保持eMBB的可靠性高于90%。
2020-11-12 cs.NI eess.SP
Deep Learning Assisted CSI Estimation for Joint URLLC and eMBB Resource Allocation
University of Oulu（奥卢大学）；Nokia Bell Labs（诺基亚贝尔实验室）
多输入多输出（MIMO）由于更高的频谱效率、空间增益和能量效率而成为第五代（5G）及以后无线通信系统的关键。如果信道状态信息（CSI）在发射机侧可用，则可以充分利用MIMO传输的益处。然而，发射机侧CSI的获取需要许多挑战。在本文中，我们提出了一种深度学习辅助CSI估计技术在高度移动的车辆网络中，基于传播环境（散射体，反射体）几乎相同的事实，从而允许数据驱动的深度神经网络（DNN）以可忽略的开销学习非线性CSI关系。此外，我们制定和解决动态网络切片的基础上资源分配问题的车辆用户设备（VUE）请求增强型移动宽带（eMBB）和超可靠低延迟（URLLC）业务切片。该公式考虑eMBB切片的阈值速率违反概率最小化，同时满足URLLC切片的概率阈值速率标准。仿真结果表明，与具有完美CSI知识的理想情况相比，在阈值违反增加12%的情况下，可以实现50%的开销减少。
2020-03-12 cs.LG cs.NI eess.SP
A Hierarchical Optimization Framework Using Deep Reinforcement Learning for Task-Driven Bandwidth Allocation in 5G Teleoperation
针对5G遥操作中eMBB与URLLC业务的资源分配需求，提出基于DRL的两层分层优化框架，兼顾通信资源高效利用与机器人控制的稳定响应。
2025-05-21 cs.NI eess.SP
Dynamic SDN-based Radio Access Network Slicing with Deep Reinforcement Learning for URLLC and eMBB Services
无线接入网（RAN）切片是使5G网络能够支持通用服务的异构需求的关键技术，即超可靠低延迟通信（URLLC）和增强型移动宽带（eMBB）。在本文中，我们提出了一个两个时间尺度的RAN切片机制，以优化URLLC和eMBB服务的性能。在大的时间尺度中，SDN控制器根据eMBB和URLLC业务的要求向gNodeB分配无线电资源。在短时间尺度中，每个gNodeB将其可用资源分配给其终端用户，并且如果需要，则从相邻gNodeB请求附加资源。我们制定这个问题作为一个非线性二元规划，并证明其NP-困难。接下来，对于每个时间尺度，我们建模的问题作为一个马尔可夫决策过程（MDP），其中大的时间尺度被建模为一个单一的代理MDP，而较短的时间尺度被建模为一个多代理MDP。我们利用指数权重算法探索和开发（EXP 3）来解决大时间尺度MDP的单智能体MDP和多智能体深度Q学习（DQL）算法来解决短时间尺度资源分配的多智能体MDP。大量的仿真结果表明，我们的方法是有效的，在不同的网络参数配置，它优于最近的基准解决方案。
2022-02-13 cs.NI
Radio Resource and Beam Management in 5G mmWave Using Clustering and Deep Reinforcement Learning
为了最佳地覆盖毫米波（mmWave）网络中的用户，需要聚类来识别波束的数量和方向。用户的移动性激励需要一个在线的集群方案，以保持最新的光束对这些集群。此外，用户的移动性导致集群的变化模式（即，用户从一个波束的覆盖范围移动到另一个波束），导致每个波束的动态业务负载。因此，需要有效的无线电资源分配和波束管理来解决由用户及其业务的移动性引起的动态性。针对超可靠低延迟通信（URLLC）和增强型移动宽带（eMBB）用户在5G毫米波网络中共存的问题，提出了一种服务质量（QoS）感知的分簇和资源分配方案。具体而言，基于密度的空间聚类的应用程序与噪声（DBSCAN）用于在线聚类的用户和选择的波束的数量。此外，基于长短期记忆（LSTM）的深度强化学习（DRL）方案用于资源块分配。所提出的方案的性能进行比较的基线，使用K-均值和基于优先级的比例公平聚类和资源分配，分别。我们的仿真结果表明，所提出的方案优于基线算法的延迟，可靠性和速率的URLLC用户以及速率的eMBB用户。
2021-03-08 cs.NI
Open RAN Slicing with Quantum Optimization
本文提出利用量子优化技术优化Open RAN切片中URLLC和eMBB服务的无线资源块分配框架，在Dwave量子退火平台上实现，展示了其为5G及未来网络提供实时最优解决方案的潜力。
2025-01-31 cs.NI
CNN-Enabled Scheduling for Probabilistic Real-Time Guarantees in Industrial URLLC
Department of Electrical and Computer Engineering（电气与计算机工程系）；Iowa State University（爱荷华州立大学）
本文提出一种基于CNN的调度方法，通过动态优先级预测提升工业URLLC中的实时保障性能，实验显示在不同网络配置下SINR显著提升。
2025-12-01 cs.LG cs.NI
Reinforcement Learning Based Resource Allocation for Network Slices in O-RAN Midhaul
University of Ottawa（渥太华大学）
网络切片设想第五代（5G）移动网络资源分配基于对不同服务的不同要求，例如超可靠低延迟通信（URLLC）和增强型移动宽带（eMBB）。开放无线接入网（O-RAN）通过将功能模块化为独立的组件，提出了开放和分散的RAN概念。O-RAN的网络切片可以显著提高性能。因此，在这项研究中，提出了一种先进的资源分配解决方案，在O-RAN网络切片应用强化学习（RL）。这项研究展示了一个RL兼容的简化边缘网络模拟器，它包含三个组件：用户设备（UE）、边缘O-Cloud和区域O-Cloud。此模拟器稍后用于发现如何通过动态分配来自其他切片的未使用带宽来提高目标网络切片的吞吐量。增加某些网络切片的吞吐量还可以使终端用户受益于更高的平均数据率、峰值速率或更短的传输时间。结果表明，RL模型可以提供一个高峰值速率和更短的传输时间URLLC相比，平衡和eMBB焦点基线的eMBB业务。
2022-11-14 cs.LG cs.NI
User Association and Bandwidth Allocation for Terrestrial and Aerial Base Stations with Backhaul Considerations
无人机基站（DBS）可以通过在需要时将供应转向需求来增强网络覆盖和区域容量。这种自由度对于具有极端需求的未来应用特别有用，例如超可靠和低延迟通信（uRLLC）。然而，DBS的部署可能面临若干挑战。一个问题是找到这样的BS的3D放置以满足系统的动态要求。其次，可靠的无线回程链路的可用性和相关的资源分配是应该考虑的主要问题。最后，由于基站的移动性，用户与基站的关联成为一个复杂的问题。在本文中，我们考虑了一个宏BS（MBS）和几个DBS，依赖于无线链路的MBS回程。考虑到常规和uRLLC用户，我们提出了一种算法，以找到有效的三维位置的DBS除了用户BS的关联和无线回程带宽分配，以最大限度地提高用户的总和对数率。为此，采用分解方法来首先找到用户-BS关联和带宽分配。然后使用启发式粒子群优化算法更新DBS位置。仿真结果表明了该方法的有效性，并提供了有用的见解的流量分布和天线波束宽度的影响。
2017-09-15 cs.NI math.OC
Age of Information in an URLLC-enabled Decode-and-Forward Wireless Communication System
信息时代（AoI）衡量关键任务物联网（IoT）应用中数据的新鲜度，即，工业互联网，智能交通系统等。在本文中，提出了一种新的系统模型，估计平均AoI（AAoI）的超可靠低延迟通信（URLLC）使能的无线通信系统的解码和转发中继方案在准静态瑞利块衰落信道。短分组通信方案用于满足所提出的无线网络的可靠性和延迟要求。运用有限块长信息论、排队论和随机过程理论，得到了AAoI的封闭表达式。最后，系统参数的影响，如更新生成速率，块长度和块长度分配因子的AAoI进行了研究。数值计算结果验证了上述结论的正确性。
2021-04-19 cs.IT cs.NI math.IT
Predictive Pre-allocation for Low-latency Uplink Access in Industrial Wireless Networks
在现代工业系统中的关键任务应用的驱动下，第五代（5G）通信系统被期望提供超可靠的低延迟通信（URLLC）服务，以满足工业应用的服务质量（QoS）需求。然而，这些严格的要求不能保证其传统的动态接入方案，由于复杂的信令过程。一个有前途的解决方案，以减少接入延迟是预分配方案的基础上的半持久调度（SPS）技术，然而，这可能会导致低频谱利用率，如果分配的资源块（RB）不使用。在本文中，我们的目标是解决这个问题，通过开发DPre，预测预分配框架的上行链路接入调度延迟敏感的应用程序在工业过程自动化。DPre的基本思想是通过静态和动态学习机制探索和利用节点之间的数据采集和访问行为的相关性，以便做出明智的资源分配决策。我们在轧钢生产过程中的几个监测应用程序的基础上评估的有效性DPre。仿真结果表明，DPre在预测精度方面具有更好的性能，可以有效地增加预留资源的回报。
2018-01-06 cs.NI
GAN-Enhanced Deep Reinforcement Learning for Semantic-Aware Resource Allocation in 6G Network Slicing
University of California, Berkeley（加州大学伯克利分校）
本文提出GAN-DDPG框架，结合条件GAN生成交通数据、连续动作DDPG和语义感知奖励优化，提升6G网络切片中URLLC、eMBB和mMTC的频谱效率。
2026-03-27 cs.AI cs.LG cs.NI
Towards Cloud-Native Agentic Protocol Learning for Conflict-Free 6G: A Case Study on Inter-Slice Resource Allocation
提出云原生多智能体网络切片架构，通过自主涌现通信协议协调CPU分配，在eMBB、URLLC和mMTC流量下实现低于3%的冲突率。
2025-02-15 cs.NI
5G Wireless Network Slicing for eMBB, URLLC, and mMTC: A Communication-Theoretic View
5G无线技术的宏伟目标是支持三种具有巨大异构需求的通用服务：增强型移动宽带（eMBB），大规模机器类型通信（mMTC）和超可靠低延迟通信（URLLC）。服务异构性可以通过网络切片来适应，通过网络切片，每个服务被分配资源以提供性能保证和与其他服务的隔离。无线电接入网络（RAN）的切片通常借助于服务之间的正交资源分配来完成。这项工作研究了允许从一组eMBB、mMTC和URLLC设备到公共基站的上行链路通信中RAN资源的非正交共享的潜在优势。该方法被称为异构非正交多址接入（H-NOMA），在传统的NOMA技术，涉及用户具有同质的要求，因此可以通过一个标准的多址接入信道进行调查。这项研究设计了一个通信理论模型，占三个服务的异构要求和特点。引入可靠性分集的概念作为设计原理，其利用跨服务的不同可靠性要求以确保非正交RAN切片的性能保证。这项研究表明，H-NOMA可以导致，在某些制度中，在三个通用服务之间的性能权衡方面的显着收益相比，正交切片。
2018-08-01 cs.IT cs.NI math.IT
Reinforcement Learning-based Resource Allocation in Fog RAN for IoT with Heterogeneous Latency Requirements
鉴于物联网（IoT）设备和应用的快速增长，最近已经提出了用于第五代（5G）无线通信的雾无线电接入网络（Fog-RAN），以确保无法适应大延迟的IoT应用的超可靠低延迟通信（URLLC）的要求。因此，雾节点（FN）配备了计算，信号处理和存储功能，以将云的固有操作和服务扩展到边缘。我们考虑顺序分配FN的有限资源的异构延迟要求的物联网应用程序的问题。对于来自IoT用户的每个访问请求，FN需要决定是利用其自己的资源在本地对其进行服务，还是将其提交给云以保存其宝贵的资源用于对系统具有潜在更高效用的未来用户（即，较低的等待时间要求）。我们制定的Fog-RAN资源分配问题的马尔可夫决策过程（MDP）的形式，并采用几个强化学习（RL）的方法，即Q学习，SARSA，预期SARSA和蒙特卡洛，通过学习最佳决策策略来解决MDP问题。我们验证了RL方法的性能和自适应性，并将其与基于固定阈值的算法的性能进行比较。考虑到19个具有异构延迟要求的物联网环境的广泛模拟结果证实，无论物联网环境如何，RL方法总是能够实现最佳性能。
2019-01-15 cs.NI
Temporally Encoded Double DQN for Proactive PRB Allocation in O-RAN Enabled Industrial Networks
University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
提出一种结合LSTM编码器的双深度Q网络（Double DQN）xApp，用于O-RAN工业网络中主动的物理资源块（PRB）分配，以应对非平稳流量并提升切片满意度和缓冲区稳定性。
2026-05-28 cs.NI
Learning from Peers: Deep Transfer Reinforcement Learning for Joint Radio and Cache Resource Allocation in 5G RAN Slicing
网络切片是5G通信的关键技术，涵盖无线接入网（RAN）、边缘、传输和核心切片。不断发展的网络架构需要协调无线和缓存资源等多种网络资源。近年来，机器学习（ML）技术已经广泛应用于网络管理。然而，大多数现有的作品没有利用ML的知识转移能力。在本文中，我们提出了一种深度传输强化学习（DTRL）方案，用于联合无线电和缓存资源分配，以服务于5G RAN切片。首先，我们定义了一个层次结构的联合资源分配。然后，我们提出了两种DTRL算法：基于Q值的深度迁移强化学习（QDTRL）和基于动作选择的深度迁移强化学习（ADTRL）。在所提出的计划中，学习者代理利用专家代理的知识，以提高他们的表现在当前的任务。将所提出的算法与无模型探索奖励深度Q学习（EB-DQN）和基于模型的优先级比例公平性和生存时间（PPF-TTL）算法进行比较。与EB-DQN相比，我们提出的基于DTRL的方法为超可靠低延迟通信（URLLC）切片提供了21.4%的延迟，为增强型移动宽带（eMBB）切片提供了22.4%的吞吐量，同时实现了比EB-DQN更快的收敛速度。此外，相对于PPF-TTL，观察到URLLC延迟降低40.8%，eMBB吞吐量提高59.8%。
2022-09-01 cs.NI cs.SY eess.SP
Federated Deep Reinforcement Learning for Resource Allocation in O-RAN Slicing
近年来，开放式无线接入网（O-RAN）已经成为一种很有前途的技术，为网络供应商和运营商提供一个开放的环境。协调x应用（xAPP）对于提高灵活性和保证O-RAN的高整体网络性能至关重要。同时，联邦强化学习被认为是一种很有前途的技术，可以增强分布式强化学习代理之间的协作，提高学习效率。在本文中，我们提出了一种联合深度强化学习算法，以协调O-RAN中的多个独立xAPP进行网络切片。我们设计了两个xAPP，即功率控制xAPP和基于切片的资源分配xAPP，并使用联邦学习模型协调两个xAPP代理，以提高学习效率和改善网络性能。与传统的深度强化学习相比，我们提出的算法可以实现增强型移动宽带（eMBB）切片的吞吐量提高11%，超可靠低延迟通信（URLLC）切片的延迟降低33%。
2022-08-02 cs.NI eess.SP
Knowledge Transfer based Radio and Computation Resource Allocation for 5G RAN Slicing
为了在5G中实现网络切片，资源分配是将有限的网络资源（诸如无线电和计算资源）分配给多个切片的关键功能。然而，联合资源分配也导致网络管理的更高复杂度。在这项工作中，我们提出了一种基于知识转移的资源分配（KTRA）方法，用于为5G RAN切片联合分配无线电和计算资源。与现有的作品相比，主要的区别是，建议KTRA方法具有知识转移能力。它被设计为使用类似任务的先验知识来提高目标任务的性能，例如，更快的收敛速度或更高的平均报酬。与基于Qlearning的资源分配（QLRA）方法相比，KTRA方法的URLLC延迟降低了18.4%，eMBB吞吐量提高了30.1%，收敛速度加快。
2021-10-23 cs.NI cs.SY eess.SY
Achieving QoS for Real-Time Bursty Applications over Passive Optical Networks
新兴的实时的【形】应用，如超可靠低延迟（uRLLC）下的分类产生突发流量，并有严格的服务质量（QoS）要求。无源光网络（PON）是一种流行的接入网络技术，其被设想为在网络的接入段处处理这样的应用。然而，现有的标准不能处理严格的QoS约束。可用的解决方案依赖于瞬时启发式决策，并保持平均意义上的QoS约束（主要是带宽）。现有的工程与最佳策略计算复杂，不适合uRLLC应用程序。本文提出了一种新型的计算高效、富有远见的带宽分配策略设计，用于促进无源光网络框架中的突发流量，同时满足现代应用严格的QoS（信息/延迟和带宽年龄）要求。为此，首先，我们设计了一个延迟跟踪机制，使我们能够从控制理论的角度作为一个模型预测控制（MPC）的资源分配问题建模。MPC有助于在资源分配方面做出有远见的决策，并捕捉网络的时变动态。我们提供计算效率的多项式时间的解决方案，并显示其实施的PON框架。与现有的方法相比，MPC减少延迟违规约15%的延迟约束的应用程序的1毫秒的目标。我们的方法也是强大的不同的交通到达。
2021-09-05 cs.NI cs.SY eess.SY
Optimal Resource Allocation with Delay Guarantees for Network Slicing in Disaggregated RAN
本文面向解耦RAN切片及其传输网络，提出联合用户接纳、速率分配、功能拆分与路由的优化模型，利用确定性网络演算保障URLLC端到端时延并最大化MNO利润。
2023-06-05 cs.IT cs.NI eess.SP
Towards a Partial Computation offloading in In-networking Computing-Assisted MEC: A Digital Twin Approach
本文提出数字孪生赋能的分布式部分计算卸载框架，结合精确势博弈与 DDQN 联合优化卸载决策、比例及资源分配，以降低工业 IoT 在 C-MEC 中的时延并提升可靠性。
2024-04-08 cs.NI
Experienced Deep Reinforcement Learning with Generative Adversarial Networks (GANs) for Model-Free Ultra Reliable Low Latency Communication
Ericsson Research（爱立信研究院）；Princeton University（普林斯顿大学）
提出了一种新的经验式深度强化学习（deep-RL）框架，为超可靠低延迟通信（URLLC）提供无模型的资源分配。在明确的数据率约束下，所提出的、有经验的深度RL框架可以为每个无线保证高端的到端可靠性和低端到端延迟，而无需对用户的业务进行任何模型或假设。特别是，为了使深度强化学习框架能够应对极端网络条件并在高度可靠的系统中运行，提出了一种基于生成对抗网络（GANs）的新方法。这种GAN方法用于使用真实数据和合成数据的混合来预训练深度RL框架，从而创建一个经验丰富的深度RL框架，该框架已暴露于广泛的网络条件。形式上，URLLC资源分配问题被提出作为一个可靠性，延迟和速率约束下的功率最小化问题。为了使用有经验的深度RL解决这个问题，首先，确定每个用户的速率。然后，这些速率被映射到所研究的无线系统的资源块和功率分配向量。最后，每个用户的端到端可靠性和延迟被用作对深度RL框架的反馈。然后表明，在深度RL算法的固定点处，用户的可靠性和延迟接近最优。此外，对于所提出的GAN方法，发电机输出的理论极限解析推导。仿真结果表明，所提出的方法可以实现接近最佳的性能在速率可靠性延迟区域内，这取决于网络和服务的要求。结果还表明，所提出的有经验的深度强化学习框架能够消除瞬态训练时间，这使得传统的深度强化学习方法不适合URLLC。
2020-10-14 cs.IT cs.LG cs.NI
Overload-Robust Latency in 5G-TSN: A HoL-Enhanced Hybrid Lyapunov Approach for 3GPP Indoor Factory Environments
School of Computer Science and Information Technology, University College Cork（科克大学计算机科学与信息技术学院）
针对 5G-TSN 工业场景，提出 HoL 增强混合李雅普诺夫调度器，在过载时优先保障 URLLC 流量，显著降低时延和丢包率，提升系统鲁棒性。
2026-09-23 cs.NI
Learning-based Resource Optimization in Ultra Reliable Low Latency HetNets
Rutgers University（罗格斯大学）
在本文中，用户卸载和资源优化的问题联合解决，以支持超可靠和低延迟通信（URLLC）的HetNet。特别地，考虑具有单个宏基站（MBS）和多个覆盖的小小区基站（SBS）的多层网络，其包括具有不同延迟和可靠性约束的用户。在概率保证的前提下，对用户的时延和可靠性约束进行建模，将URLLC环境下的用户卸载和资源分配（JUR）联合问题转化为MBS服务用户的成本最小化的优化问题.在所考虑的方案中，SBS以给定的价格竞标为其覆盖范围内的URLLC用户提供服务，MBS决定是否在本地为每个用户提供服务或将其卸载到覆盖的SBS之一。由于JUR优化是NP难的，我们提出了一个低复杂度的基于学习的探试法（LHM），其中包括一个支持向量机的用户关联模型和凸资源优化（CRO）算法。为了进一步减少延迟，我们提出了一个交替方向的乘法器（ADMM）为基础的解决方案的CRO问题。仿真结果表明，使用LHM，MBS显着降低了频谱接入延迟的用户（由$\sim$ 93\%）相比，JUR，同时也减少了它的带宽和功率成本，在服务用户（由$\sim$ 33\%）相比，直接服务用户没有卸载。
2019-05-12 cs.LG cs.NI eess.SP
Throughput Maximization for Delay-Sensitive Random Access Communication
与4G网络中使用的调度接入技术相比，支持超可靠低延迟通信（URLLC）的未来5G蜂窝网络可以采用随机接入通信来减少开销。我们考虑一个无线通信系统，其中多个设备发送一个给定的固定大小的有效载荷在一个共享的无线电资源，以随机接入的方式到一个共同的接收机。我们允许重传，并假设在接收器处进行Chase合并。在时间和频率维度上划分无线电资源，并且我们确定最佳划分粒度以最大化吞吐量，并且受到延迟和中断的给定约束。在高和低信噪比（SNR）的制度，我们推导出明确的表达的粒度和吞吐量，首先使用香农容量近似，然后使用有限块长度分析。数值结果表明，吞吐量缩放的结果是适用的信噪比范围内。所提出的分析框架可以为一般随机接入系统中的资源分配策略和用于大规模URLLC上行链路接入的特定5G用例提供见解。
2018-06-05 cs.IT cs.NI math.IT
Integrated Millimeter Wave and Sub-6 GHz Wireless Networks: A Roadmap for Joint Mobile Broadband and Ultra-Reliable Low-Latency Communications
下一代无线网络必须通过跨越增强型移动宽带（eMBB）的广泛无线服务以及超可靠低延迟通信（URLLC）来实现增强现实和联网自动驾驶汽车等新兴技术。由于频谱稀缺，仅依赖于稀缺的低于6 GHz的微波（$μ$ W）频段的现有无线系统将不能满足未来无线服务的这种严格和混合的服务要求。同时，在高频毫米波（mmWave）频带下操作被视为有吸引力的解决方案，这主要是由于大规模多天线通信的带宽可用性和可能性。然而，毫米波通信由于其对阻塞、高路径损耗和信道不确定性的敏感性而固有地不可靠。因此，为了提供URLLC和高速无线接入，期望将$μ$ W网络的可靠性与毫米波网络的高容量无缝集成。为此，本文介绍了\emph{integrated mmWave-$μ$W}通信的第一个综合教程。这种设想的集成设计将使无线网络能够实现URLLC以及eMBB，这是通过利用两个世界中的最佳世界来实现的：$μ$ W波段的可靠远程通信和毫米波频率的定向高速通信。为了实现这一目标，讨论了关键的解决方案概念，包括无线电接口的新架构、URLLC感知帧结构和资源分配方法以及移动性管理，以实现集成毫米波- $μ$ W通信的潜力。讨论了每种方案的机遇和挑战，并给出了关键结果，以显示所开发的集成毫米波- $μ$ W框架的优点。
2018-10-30 cs.IT cs.NI eess.SP
Prioritizing Latency with Profit: A DRL-Based Admission Control for 5G Network Slices
针对现有DRL框架忽略服务延迟导致QoS违规的问题，提出延迟与利润感知的准入控制方案DePSAC，通过延迟感知奖励函数和Boltzmann探索优化5G网络切片的QoS与利润权衡。
2025-10-09 cs.LG cs.NI cs.PF
Deep Reinforcement Learning for Combined Coverage and Resource Allocation in UAV-aided RAN-slicing
Technology Innovation Institute（技术创新研究院）；Trinity College Dublin（都柏林圣三一学院）
网络切片是一种评估良好的方法，能够在新兴的第五代新无线电中实现移动核心和无线电接入网络（RAN）的虚拟化。切片是至关重要的，当处理新兴的和多样化的垂直应用程序，需要异构的需求集。5G还设想无人机（UAV）成为蜂窝网络标准的关键元素，旨在将其用作空中基站，并利用其灵活快速的部署来增强无线网络性能。该工作提出了一种无人机辅助的5G网络，其中空中基站（UAV-BS）具有网络切片能力，旨在优化一组用户的服务水平协议（SLA）满意度。这些用户属于5G服务类型的三个异构类别，即增强型移动宽带（eMBB）、超可靠低延迟通信（URLLC）和大规模机器类型通信（mMTC）。介绍了在网络切片背景下用于UAV-BS的多代理和多决策深度强化学习的第一应用，旨在通过将无线电资源联合分配给切片和UAV-BS二维轨迹的细化来优化用户的SLA满意率。所提出的策略的性能已经过测试，并与基准算法进行了比较，在各种场景中，满意用户的比例更高（至少高出27%）。
2022-11-15 cs.LG cs.NI
Slice-aware Resource Allocation and Admission Control for Smart Factory Wireless Networks
本文提出基于凸优化的切片感知资源分配与准入控制框架，动态分配功率和子信道，在基站功率受限时放宽CL切片目标速率约束，保障智能工厂多切片QoS并最小化功耗。
2024-07-31 cs.NI cs.SY eess.SY
Place, Slice and Schedule: Hierarchical O-RAN Control of a Tethered mmWave UAV-gNB
Clemson University（克莱姆森大学）
该研究针对tethered毫米波无人机gNB的O-RAN控制问题，提出分层RIC架构，实现位置、切片与调度协同，提升eMBB和URLLC性能。
2026-08-26 cs.AI cs.NI
Performance Evaluation of Scheduling Scheme in O-RAN 5G Network using NS-3
本文提出符合O-RAN标准的5G网络无线电资源调度xApp，在ns-3中实现MT、PF及RR调度策略并支持动态TDD，通过分析MCS、符号数和TTI证明了资源分配的有效性。
2025-04-01 cs.NI
Performance Analysis and Optimization of Uplink Cellular Networks with Flexible Frame Structure
未来的无线蜂窝网络必须支持增强型移动宽带（eMBB）和超可靠低延迟通信（URLLC），以管理新兴无线服务的异构数据流量。为了实现这个目标，一种有前途的技术是通过根据信道信息以及业务服务质量要求动态地改变数据帧的参数集来实现灵活的帧结构。然而，由于非正交的子载波，这种技术可能会导致干扰，称为参数集间干扰（INI），从而降低网络性能。在这项工作中，提出了一种新的框架来分析上行链路蜂窝通信中的INI。特别地，推导了具有灵活帧结构的上行链路中的INI功率的闭合形式表达式，并且制定了新的资源分配问题，以通过在多用户上行链路场景中联合优化功率分配和参数集选择来最大化网络频谱效率（SE）。仿真结果验证了INI理论分析的正确性，为功率分配和参数选择提供了指导。
2021-03-10 cs.IT cs.NI eess.SP
Collaborative Intelligence for UAV-Satellite Network Slicing: Towards a Joint QoS-Energy-Fairness MADRL Optimization
本文提出了一种基于多智能体深度强化学习的无人机-卫星网络切片框架，通过联合优化服务质量、能耗和公平性，实现更高效的资源分配和网络性能提升。
2025-12-09 cs.NI
DRL-Driven Edge-Aware Utility Optimization for Multi-Slice 6G Networks
CCAS Department, School of Engineering, New giza University（新吉扎大学工程学院CCAS系）；Department of Computer and Software Engineering, Polytechnique Montreal（蒙特利尔大学计算机与软件工程系）；Department of Electronics and Communications, Faculty of Engineering, Helwan University（海尔万大学工程学院电子与通信系）
提出一种基于深度Q网络（DQN）的智能资源分配与边缘缓存框架，用于6G O-RAN网络，以优化多切片场景下的边缘缓存和动态资源分配，降低延迟并提升吞吐量，支持VR等沉浸式应用。
2026-05-21 cs.AI cs.NI
Cross-Layer Optimization and System-Level Design of Next-Generation Wireless Networks via Intelligent RAN Control
Northeastern University（东北大学）
本研究针对下一代无线网络，结合开放RAN与AI技术，提出DRL方案、PandORA框架等多项核心成果，完成RIS相关设计与系统级验证，满足6G无线研究的产业与学术需求。
2026-08-07 cs.NI
System-Level Experimental Evaluation of Reconfigurable Intelligent Surfaces for NextG Communication Systems
针对RIS研究缺乏系统级实验的问题，首次提出全协议栈仿真与精确信道建模方法，结合博弈论优化资源分配，在Colosseum仿真器验证RIS在不同频段对能效及低延迟的提升效果。
2025-04-19 cs.NI eess.SP
Intelligent Task Offloading: Advanced MEC Task Offloading and Resource Management in 5G Networks
Clemson University（克莱姆森大学）
针对5G网络中用户设备任务卸载与资源分配需求，提出融合URLLC、mMTC要求且基于近端策略优化的MEC智能资源分配方法，仿真验证其在时延和功耗上均优于基线模型。
2025-01-08 cs.AI cs.DC cs.NI
Generative AI for O-RAN Slicing: A Semi-Supervised Approach with VAE and Contrastive Learning
School of Electrical and Computer Engineering, College of Engineering, University of Tehran（电气与计算机工程学院，工程学院，德黑兰大学）
本文提出一种结合VAE与对比学习的半监督生成式AI架构，通过专用xApp优化O-RAN中的网络切片与资源分配，在动态网络中实现了更高的资源管理精度与模型泛化能力。
2025-06-27 cs.LG cs.NA cs.NI
Adversarial Attacks in AI-Driven RAN Slicing: SLA Violations and Recovery
Polytechnique Montreal（蒙特利尔理工学院）
研究AI驱动RAN切片中对抗攻击的影响，分析预算受限攻击对深度强化学习资源分配的影响，揭示SLA违规及恢复行为。
2026-04-01 cs.AI cs.NI
