Meta Hierarchical Reinforcement Learning for Scalable Resource Management in O-RAN
Department of Electrical & Computer Engineering, Clemson University（电气与计算机工程系，克莱姆森大学）
本文提出元层级强化学习框架，用于优化O-RAN中的资源分配和网络切片，实现更高效的网络管理与适应性。
2025-12-08 cs.AI cs.LG cs.SY
QoS-Aware RACH Preamble Slicing via Quota-Projected Branching Deep Reinforcement Learning
School of Information Science and Engineering, Shenyang University of Technology（沈阳工业大学信息科学与工程学院）；School of Mechanical Engineering, Shenyang University of Technology（沈阳工业大学机械工程学院）
提出QP-BD3QN-RACH，一种基于配额投影分支深度强化学习的RACH前导码切片控制器，用于混合2RA/4RA随机接入，在多种负载下优于四种比较方法。
2026-09-09 cs.NI
Reinforcement learning for multi-item retrieval in the puzzle-based storage system
Tsinghua University（清华大学）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Tsinghua-Berkeley Shenzhen Institute, Tsinghua University（清华大学伯克利深圳学院）
如今，快速交付服务创造了对高密度仓库的需求。基于拼图的存储系统是一种提高存储密度的实用方法，但在检索过程中面临困难。在这项工作中，深度强化学习算法，特别是双重和决斗深度Q网络，被开发用于解决系统中的多项检索问题，其中多个所需的项目，护送和I/O点被随机放置。此外，我们提出了一个通用的紧凑的整数规划模型来评估解决方案的质量。大量的数值实验表明，强化学习方法可以产生高质量的解决方案，并优于三个相关的最先进的启发式算法。此外，转换算法和分解框架分别提出了处理同时运动和大规模的实例，从而提高PBS系统的适用性。
2022-02-05 cs.AI cs.DM cs.LG
SIA: Symbolic Interpretability for Anticipatory Deep Reinforcement Learning in Network Control
IMDEA Networks Institute（IMDEA网络研究所）；Northeastern University（东北大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
SIA通过融合符号AI与知识图谱，实现前瞻性深度强化学习的实时可解释性，提升网络控制的透明度和效率。
2026-01-29 cs.AI cs.NI
DeepFake: Deep Dueling-based Deception Strategy to Defeat Reactive Jammers
在本文中，我们介绍了DeepFake，一种新的基于深度强化学习的欺骗策略，以应对反应式干扰攻击。特别地，对于智能和反应式干扰攻击，干扰机能够感测信道并且如果其检测到来自合法发射机的通信则攻击信道。为了应对这种攻击，我们提出了一个智能欺骗策略，允许合法的发射机发送“假”信号，以吸引干扰。然后，如果干扰机攻击信道，则发射机可以通过使用环境反向散射通信技术来利用强干扰信号来传输数据，或者从强干扰信号中获取能量以供将来使用。这样既可以削弱干扰机的攻击能力，又可以利用干扰信号来提高系统性能。为了有效地学习和适应干扰攻击的动态性和不确定性，我们开发了一种新的深度强化学习算法，使用深度决斗神经网络架构，以获得比传统强化算法快上千倍的最优策略。大量的仿真结果表明，我们提出的DeepFake框架在吞吐量，丢包率和学习率方面优于其他抗干扰策略。
2021-05-04 cs.IT cs.NI eess.SP
Edge-enabled Optimized Network Slicing in Large Scale Networks
在这篇演示论文中，我们考虑了网络切片布局优化问题，并给出了一些见解，一个快速的启发式算法，适合在大规模网络布局。我们考虑一个在线优化方案与多个和易失性的网络切片请求到达，我们展示了所提出的边缘启用网络切片放置解决方案的适用性，通过大规模网络场景说明的概念验证。
2020-10-16 cs.NI
Fast or Slow: An Autonomous Speed Control Approach for UAV-assisted IoT Data Collection Networks
无人机（UAV）凭借其出色的灵活性、移动性和低运营成本，已成为物联网数据汇集网络的有效解决方案。然而，由于数据汇集过程中的能量有限和不确定性，速度控制是优化无人机采集器能量使用效率和性能的最重要因素之一。这项工作的目的是开发一种新的自主速度控制方法来解决这个问题。为此，我们首先制定的动态速度控制任务的无人机作为一个马尔可夫决策过程，考虑到它的能量状态和位置。这样就可以采用Q-学习算法来获得无人机的最优速度控制策略。为了进一步提高系统性能，我们开发了一种高效的深度决斗双Q-学习算法，利用深度神经网络的突出特点以及先进的决斗架构，快速稳定学习过程，获得最优策略。通过仿真结果，我们表明，我们提出的解决方案可以实现高达40%以上的性能相比，其他传统方法。重要的是，仿真结果还揭示了无人机的能量和充电时间对系统性能的显着影响。
2020-11-12 cs.NI
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
Distributed Resource Allocation for Network Slicing of Bandwidth and Computational Resource
网络切片一直被认为是5G支持多样化服务和应用场景的关键使能因素之一。研究了利用通信网络提供的频谱资源和雾计算网络的计算资源进行分布式网络切片的问题。我们提出了一种新的分布式框架的基础上，一个新的控制平面实体，区域协调器（RO），它可以部署在基站（BS）和雾节点之间，以协调和控制它们的带宽和计算资源。提出了一种基于部分变量分裂乘子交替方向法的分布式资源分配算法。我们证明，该算法可以最大限度地减少整个网络的平均延迟，并在同一时间保证令人满意的延迟性能为每一个支持的服务类型。仿真结果表明，该算法的收敛速度比现有的一些算法快得多。与仅具有单个资源的网络切片相比，具有带宽和计算资源的联合网络切片可以提供约15%的总体延迟减少。
2020-02-04 cs.NI
Sl-EDGE: Network Slicing at the Edge
多接入边缘计算（MEC）资源的网络切片预计将成为5G网络及其他网络成功的关键技术。将MEC切片与传统资源分配问题区分开来的关键挑战是边缘节点依赖于紧密交织和严格约束的网络、计算和存储资源。因此，实例化MEC切片而不引起资源过度供应很难用现有切片算法来解决。本文的主要创新是Sl-EDGE，这是一个统一的MEC切片框架，允许网络运营商实例化异构切片服务（例如，视频流、缓存、5G网络接入）。我们首先描述了SL-EDGE的架构和操作，然后表明，最佳实例化联合网络MEC切片的问题是NP难的。因此，我们提出了接近最佳的算法，利用边缘节点和资源虚拟化之间的关键相似性，以7.5倍的速度实例化异构切片，并在0.25的最佳范围内。我们首先通过广泛的数值分析来评估我们的算法的性能，并表明S1-EDGE比最先进的MEC切片算法更有效地实例化切片6倍。此外，在9部智能手机的24个无线电测试平台上的实验结果表明，Sl-EDGE可同时提供联合LTE连接、WiFi视频流和ffmpeg视频转码的高效切片。
2020-05-02 cs.NI
Slicing-Based AI Service Provisioning on Network Edge
边缘智能利用网络边缘的计算资源，提供贴近网络用户的人工智能（AI）服务。由于它能够实现快速推理和分布式学习，边缘智能被认为是6G网络的重要组成部分。在本文中，我们研究了支持边缘智能的AI服务配置。首先，我们介绍了AI服务的特点和要求。然后介绍了AI服务数据管理，并为AI服务定制了网络切片。具体而言，我们提出了一种新的资源池方法，以联合管理AI服务的服务数据和网络资源。一个跟踪驱动的案例研究证明了所提出的资源池方法的有效性。通过这项研究，我们说明了在网络边缘提供AI服务的必要性、挑战和潜力。
2021-05-14 cs.NI cs.SY eess.SY
On the Specialization of FDRL Agents for Scalable and Distributed 6G RAN Slicing Orchestration
网络切片使多个虚拟网络能够被实例化和自定义，以满足5G及其他网络部署的异构用例需求。然而，当今可用的大多数解决方案在考虑许多切片时都面临可扩展性问题，因为集中式控制器需要全面了解不同网络域上的资源可用性和消耗情况。为了应对这一挑战，我们设计了一个分层架构，以联邦的方式管理网络切片资源。在深度强化学习（DRL）方案和开放RAN（O-RAN）范式的快速发展的驱动下，我们提出了一组动态放置在无线电接入网络（RAN）中的流量感知本地决策代理（DA）。这些联合决策实体根据底层流量的长期动态调整其资源分配策略，定义能够实现更快训练和通信开销减少的专用集群。事实上，在流量感知代理选择算法的帮助下，我们提出的联邦日间行车线方法通过快速对最终用户移动模式做出反应并减少与集中式控制器的昂贵交互，提供比基准解决方案更高的资源效率。
2022-11-06 cs.NI
Network Slicing for Service-Oriented Networks Under Resource Constraints
为了在固定通信网络上支持多种按需服务，网络运营商必须允许灵活定制和快速提供其网络资源。一种有效的方法是网络虚拟化，其中每个服务都映射到一个虚拟子网，为网络用户提供专用的按需支持。在实践中，每个服务由预先指定的功能序列组成，称为服务功能链（SFC），而SFC中的每个服务功能只能由一些给定的网络节点提供。因此，为了支持给定的业务，我们必须根据SFC选择网络功能节点，并按照指定的顺序确定通过功能节点的路由策略。需要解决的一个关键的网络切片问题是如何在链路和节点容量约束的情况下，根据SFC的规定，最佳地定位物理网络中的服务功能。在本文中，我们制定了网络切片问题作为一个混合二元线性规划，并建立其强NP-困难。此外，我们提出了有效的惩罚连续上限最小化（PSUM）和PSUM-R（ounding）算法，和两个启发式算法来解决这个问题。仿真结果证明了所提出的算法的有效性。
2017-08-24 cs.NI
Online Admission Control and Resource Allocation in Network Slicing under Demand Uncertainties
迈向下一代网络（如5G/6 G）的最重要方面之一是以有效的方式实现网络切片。最具挑战性的问题是计算和通信需求的不确定性。由于切片在不同的时间到达网络，并且它们的生命周期不同，因此解决方案应该动态地响应在线切片请求。建立了考虑能耗的在线接纳控制和资源分配联合问题的数学模型。它基于二进制线性规划（BLP），其中，利用$Γ$ -鲁棒性概念来克服虚拟链路（VL）带宽和虚拟网络功能（VNF）工作负载的不确定性。然后，提出了一种优化算法。对于现实世界和大规模网络，这种最佳算法无法在合理的时间内解决。为了有效地找到近似最优解，提出了一种新的启发式算法。评估的结果表明，启发式算法的效率对于增加接受的请求数量、降低功耗以及分别针对VNF工作负载和VL流量的不确定性提供可调容差至关重要。考虑到接受率和功耗这两个重要组成部分的目标函数，启发式有约7%和10%的最优性差距，分别，而约30倍的速度比最优算法。
2022-04-14 cs.NI
Online Network Slicing for Real Time Applications in Large-scale Satellite Networks
在这项工作中，我们研究资源分配策略的实时的【形】通信（RTC）在卫星网络与虚拟网络功能。通过星间链路（ISL）、在轨计算和网络虚拟化技术的增强，大规模卫星网络可以为具有多样化功能的RTC应用提供低延迟和高带宽的全球覆盖。然而，使用间歇性ISL实现具有特定功能要求的RTC需要具有快速响应时间的高效路由方法。我们确定，这样的路由问题在时变图可以制定为一个整数线性规划问题。分支定界方法引起$\mathcal{O}(|\mathcal{L}^τ| \cdot (3 |\mathcal{V}^τ| + |\mathcal{L}^τ|)^{|\mathcal{L}^τ|})$时间复杂度，其中$|\mathcal{V}^τ|$是节点的数量，并且$|\mathcal{L}^τ|$是在时间间隔$τ$期间的链路的数量。通过采用基于k-最短路径的算法，理论上的最坏情况复杂度变为$O(|\mathcal{V}^τ|! \cdot |\mathcal{V}^τ|^3)$。虽然它在大多数情况下运行得很快，但它的解决方案可能是次优的，并且可能找不到，从而导致实际中的接受率受损。为了克服这一点，我们进一步设计了一个基于图的算法，利用特殊结构的解决方案空间，它可以获得最优解的多项式时间与计算复杂性为$\mathcal{O}(3|\mathcal{L}^τ| + (2\log{|\mathcal{V}^τ|}+1) …
2023-01-23 cs.NI
IoT service slicing and task offloading for edge computing
随着物联网技术的进步，智能工厂、智能城市和智能汽车等各个领域都在使用物联网提供增值服务。此外，MEC和网络切片等技术为物联网提供了另一个机会，可以支持以前无法支持的更先进和实时的服务。然而，将这些技术简单地集成到物联网中并没有充分利用MEC和网络切片，或者分别减少延迟和流量优先级。因此，迫切需要一种有效的物联网平台集成机制，以最大限度地发挥使用此类技术的优势。在本文中，我们介绍了一种新颖的架构框架，该框架能够以最少的功能虚拟化物联网平台，以支持特定的物联网服务，并在靠近最终用户的边缘节点上托管实例。由于实例在MEC节点和网络切片所在的边缘节点处提供其服务，因此最终用户的流量不需要遍历回到云。这种架构不仅保证了低延迟，还保证了边缘节点处物联网服务的有效管理。为了证明所提出的架构的可行性，我们通过比较在中央云上运行的物联网服务和在边缘网关中使用切片物联网功能的物联网服务的传输时间来进行实验评估。结果表明，所提出的架构提供的传输时间比传统的基于云的物联网平台快两倍。
2020-08-24 cs.NI
LLM-Slice: Dedicated Wireless Network Slicing for Large Language Models
针对无线网络承载大语言模型时的高延迟、断连与资源浪费问题，提出 LLM-Slice 专用通信切片系统，并在真实 UE-gNB-CN 环境验证其性能提升。
2024-10-24 cs.NI
Fine-grained Distributed Data Plane Verification with Intent-based Slicing
本文提出Scylla，一种基于意图切片的通用数据平面验证器，通过规则级粒度构建分布式切片模型并增量更新，实现细粒度横向扩展，以显著更小的内存和时间开销验证大型复杂网络。
2024-11-15 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
QoS-Aware Service Restoration in 5G Optical Transport Networks
针对5G光传输网络中故障影响多服务的问题，提出FDSP算法，结合快速ILP模型与PLI感知路由频谱分配，优先恢复关键服务，降低阻塞概率。
2025-03-28 cs.NI
Online Slice Reconfiguration for End-to-End QoE in 6G Applications
6G应用的端到端（E2E）体验质量（QoE）取决于网络和计算资源的同步分配，也称为切片。然而，资源和E2E QoE结果之间的关系通常是随机的和非平稳的。现有的作品考虑已知的资源需求切片和制定切片重构的优化问题。在这项工作中，我们通过学习E2E QoE和资源之间的关系来创建和管理切片。我们开发了一种基于梯度的在线切片重配置算法（OHRA），用于在无线电接入网络（RAN）资源受限的场景中重新配置和管理切片。我们观察到，与现有方法相比，我们的方法以高精度满足QoE要求。它改进了现有的方法，约98%的突发流量变化。我们的算法具有快速收敛，并实现低E2E延迟违规低优先级切片。
2022-01-13 cs.NI
LEO-Aware DRL Meta-Scheduler for 5G Non-Terrestrial Network Slicing
Professional School of Computing Science, National University of San Agustin（圣奥古斯丁国立大学计算机科学专业学院）；Institute of Computing, University of Campinas（坎皮纳斯大学计算研究所）
针对5G非地面网络集成LEO带来的资源管理挑战，提出基于TD3智能体的DRL元调度器，在牺牲1%不显著容量的情况下，严格限制关键业务排队延迟，且不会导致宽带切片饥饿，为6G O-RAN NTN资源分配提供基础。
2026-08-04 cs.NI
Evolution Toward 6G Wireless Networks: A Resource Management Perspective
在本文中，我们首先介绍了6 G无线网络的愿景、关键性能指标、关键使能技术（KCN）和服务。然后，我们强调了一系列的一般资源管理（RM）的挑战，以及独特的RM挑战对应于每个KET。6 G中独特的RM挑战需要将现有的基于优化的解决方案转变为人工智能/机器学习授权的解决方案。在续集中，我们制定了一个联合网络选择和子信道分配问题的6 G多频带网络，提供进一步增强的移动宽带（FeMBB）和极端超可靠低延迟通信（eURLLC）服务的地面和空中用户。我们的解决方案突出了多频段网络的有效性，并展示了与深度Q网络和双深度Q网络算法相比，深度Q学习在获得高效RM解决方案方面的鲁棒性，收敛速度更快。
2021-08-14 cs.NI eess.SP
Vehicular Network Slicing for Reliable Access and Deadline-Constrained Data Offloading: A Multi-Agent On-Device Learning Approach
由于无线信道上的数据率从根本上受到限制，因此高效的数据卸载在计算密集型平台中起着关键作用。最重要的是，高移动性增加了车辆边缘网络（VEN）的额外负担，从而增强了对以用户为中心的高效解决方案的需求。因此，与传统的不灵活的以网络为中心的方法不同，本文利用软件定义的灵活，开放和可编程的网络平台，在VEN中实现高效的以用户为中心，快速，可靠和期限受限的卸载解决方案。在所提出的模型中，每个活跃的车辆用户（VU）从多个低功率接入点（AP）通过创建一个高贵的虚拟小区（VC）。联合节点关联，功率分配，和分布式资源分配问题制定。由于集中式学习在许多现实问题中并不实用，因此遵循自治VU的分布式性质，每个VU都被认为是边缘学习代理。为此，考虑到实际的位置感知节点的关联，联合无线电和功率资源分配非合作随机博弈制定。利用强化学习（RL）的有效性，提出了一种多智能体强化学习（MARL）解决方案，其中边缘学习器的目标是学习纳什均衡（NE）策略，以有效地解决游戏。此外，真实世界的地图数据，与一个实用的微观移动模型，用于模拟。结果表明，所提出的以用户为中心的方法可以提供显着的性能在VENs。此外，所提出的MARL解决方案提供了接近最佳的性能，在上行链路中的分布式随机接入的情况下，具有约3%的冲突概率。
2021-10-14 cs.DC cs.MA cs.NI
Inter-Cell Network Slicing With Transfer Learning Empowered Multi-Agent Deep Reinforcement Learning
Nokia Bell Labs（诺基亚贝尔实验室）；Technical University of Munich（慕尼黑工业大学）；University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
针对网络切片中的跨小区干扰问题，提出基于迁移学习的多智能体深度强化学习算法TL-DIRP，通过集中训练通用模型并迁移至各智能体进行分布式微调，提升资源分配性能，降低QoS违例率。
2023-06-20 cs.LG cs.MA cs.NI
Online Network Slice Deployment across Multiple Domains under Trust Constraints
American University of the Middle East（中东美国大学）；LAAS-CNRS（法国国家科学研究中心实验室）
本文研究了跨多行政域的网络切片部署问题，提出路径-链接（PL）模型和动态定价方法，在满足信任约束的同时实现快速在线分配和部署。
2026-04-01 cs.NI
AdaptSky: A DRL Based Resource Allocation Framework in NOMA-UAV Networks
无人机（UAV）作为满足6 G无处不在的连接需求和提高地面网络弹性的候选者，最近引起了广泛的关注。非正交多址接入（NOMA）具有频谱利用率高、时延低等优点，是未来通信网络中一种很有潜力的接入技术。在本文中，我们提出了使用无人机作为移动基站（BS）服务多个用户使用NOMA和联合解决三维无人机的布局和资源分配问题。由于相应的优化问题是非凸的，我们依靠人工智能（AI）的最新进展，提出了AdaptSky，一个基于深度强化学习（DRL）的框架，以有效地解决它。据我们所知，AdaptSky是第一个使用亚6 GHz和毫米波毫米波频谱联合优化NOMA功率分配和3D-UAV布局的框架。此外，在NOMA-UAV网络中，AdaptSky首次将决斗网络（DN）架构集成到DRL技术中，以提高其学习能力。我们的研究结果表明，AdaptSky不仅表现出快速适应学习，在数据率和公平性方面优于最先进的基线方法，而且它的泛化能力非常好。AdaptSky源代码可在以下网站访问：https://github.com/Fouzibenfaid/AdaptSky
2023-01-01 cs.NI cs.SY eess.SY
Joint Scheduling and Resource Allocation in mmWave IAB Networks Using Deep RL
提出基于深度强化学习的框架，结合贪婪DDQN调度器与多智能体DDQN分配器，解决动态mmWave IAB网络中的联合链路调度与资源切片问题，实现高调度准确率与吞吐量提升。
2025-08-11 cs.NI
Optimistic Learning for Communication Networks
Delft University of Technology（代尔夫特理工大学）；Trinity College Dublin（都柏林圣三一学院）
该教程提出将乐观学习（OpL）作为现代通信网络资源管理的决策引擎，结合离线深度学习的高性能与在线学习的稳健性，并展示了其在缓存、边缘计算等场景中的应用及未来挑战。
2025-04-04 cs.LG cs.NI
A Secure Dynamic Edge Resource Federation Architecture for Cross-Domain IoT Systems
5G通信、人工智能（AI）和物联网（IoT）技术的快速集成有望使下一代网络（NGN）能够为智慧城市提供各种智能服务和用户定义的应用。然而，构建一个可扩展且高效的基础设施，以满足跨多个管理域的异构物联网应用程序的各种性能，安全性和管理需求仍然具有挑战性。本文提出了一种动态边缘资源联邦架构，该架构集成了网络切片（NS）和区块链的概念，以提高多域物联网应用的可扩展性，动态性和安全性。一种支持NS的动态边缘资源联合框架采用智能机制来支持满足不同的服务质量（QoS）和安全需求的高效多域服务协调。我们提出了一个分层集成联邦分类帐（HIFL），其目的是保证分散的安全性和隐私保护的属性，在多域资源编排和服务重新调整。作为一种安全的设计解决方案，HIFL有望支持高效、可信和安全的端到端物联网服务。一个初步的概念验证原型已经实施比较内部和域间的性能预期。
2022-08-02 cs.NI
DELMU: A Deep Learning Approach to Maximising the Utility of Virtualised Millimetre-Wave Backhauls
网络可编程性的进步使运营商能够将物理基础设施“切片”成独立的逻辑网络。通过这种方法，每个网络切片都旨在适应日益多样化的服务需求。然而，在未来的5G毫米波回程网络中精确分配资源以优化总网络效用是具有挑战性的。这是因为不同服务的性能通常取决于相互冲突的要求，包括带宽、对延迟的敏感性或所产生的流量的货币价值。在本文中，我们提出了一个通用的速率效用框架切片毫米波回程链路，包括所有已知类型的服务效用，即对数，S形，多项式和线性。然后，我们介绍DELMU，这是一种深度学习解决方案，可以解决优化基于此类实用程序的任意组合的非凸目标函数的复杂性。具体地，通过采用卷积块的堆栈，DELMU可以学习业务需求和可实现的最佳速率分配之间的相关性。我们进一步规范的神经网络通过一个简单的“健全检查”例程，这保证了网络的容量区域和最低服务水平内的流量容许的推断。所提出的方法可以在几分钟内进行训练，然后计算出与最先进的全局优化算法相匹配的速率分配，但速度要快几个数量级。这证实了DELMU的适用性，高度动态的交通制度，我们证明了高达62%的网络效用增益超过基线贪婪的方法。
2018-10-02 cs.NI
Utility Optimal Scheduling with a Slow Time-Scale Index-Bias for Achieving Rate Guarantees in Cellular Networks
针对5G网络切片中带速率保障的RAN调度需求，提出一种三时间尺度最大和效用调度算法，通过慢时间尺度索引偏置调整保障速率用户的调度优先级，仿真验证其性能优于现有两时间尺度算法。
2024-08-17 cs.NI
