Open RAN LSTM Traffic Prediction and Slice Management using Deep Reinforcement Learning
Clemson University（克莱姆森大学）
本文针对5G及未来网络中动态环境下的网络切片管理挑战，提出一种结合分布式深度强化学习xApp与LSTM预测rApp的ORAN切片管理方法，通过联合利用DU异构经验和预测信息显著减少QoS违规。
2024-01-12 cs.AI cs.LG cs.NI
Advancing RAN Slicing with Offline Reinforcement Learning
University of Virginia（弗吉尼亚大学）；The Pennsylvania State University（宾夕法尼亚州立大学）；Intel Corporation（英特尔公司）
针对现有强化学习方法在RAN切片中依赖在线交互或高质量数据集的部署难题，本文引入离线强化学习求解该问题，证明其可从次优数据学习近优策略、无需额外交互即可调整策略，且能适配多样服务要求，提升了RRM方法的可行性与适应性。
2023-12-16 cs.IT cs.LG cs.NI
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
Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in O-RAN
University of Colorado, Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）；Clemson University（克莱姆森大学）
下一代无线网络需要同时满足多种业务和标准。为了满足即将到来的严格标准，开发了一种新的开放式无线电接入网络（O-RAN），该网络具有灵活的设计，分散的虚拟和可编程组件以及智能闭环控制等独特功能。O-RAN切片正在被研究为在面对不断变化的环境时确保网络服务质量（QoS）的关键策略。然而，必须动态地控制不同的网络切片，以避免由环境中的快速变化引起的服务水平协议（SLA）变化。因此，本文介绍了一种新的框架，能够管理网络切片，通过配置的资源智能。由于不同的异构环境，智能机器学习方法需要充分的探索来处理无线网络中最恶劣的情况并加速融合。为了解决这个问题，提出了一种基于进化的深度强化学习（EDRL）的新解决方案，以加速和优化无线接入网（RAN）智能控制器（RIC）模块中的切片管理学习过程。为此，O-RAN切片被表示为马尔可夫决策过程（MDP），然后使用EDRL方法最优地求解该MDP以进行资源分配以满足服务需求。仿真结果表明，在满足服务需求方面，所提出的方法比日间行车线基线高出62.2%。
2022-09-30 cs.AI cs.IT cs.LG
Machine Learning for Network Slicing Resource Management: A Comprehensive Survey
University of Kaiserslautern（凯泽斯劳滕大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）
新兴的多租户网络切片技术被认为是5G蜂窝网络的基本特征。它提供网络切片作为一种新型的公共云服务，从而增加了服务的灵活性，提高了网络资源的效率。同时，也对网络资源管理提出了新的挑战。近年来已经提出了许多各种方法，其中广泛地部署了机器学习和人工智能技术。在这篇文章中，我们提供了一个调查现有的网络切片资源管理的方法，突出了机器学习在其中所扮演的角色。
2020-01-22 cs.LG cs.NI
Network Slicing via Transfer Learning aided Distributed Deep Reinforcement Learning
Nokia Bell Labs（诺基亚贝尔实验室）；University of Nebraska Lincoln（内布拉斯加大学林肯分校）；Technical University of Munich（慕尼黑工业大学）
针对网络切片中DRL策略部署受异构小区条件影响的问题，提出基于迁移学习辅助的多智能体深度强化学习方法，通过智能体间相似性分析实现资源划分，并集成迁移学习加速策略部署，实验表明性能、收敛速度和样本效率优于现有方法，且额外增益超过27%。
2023-06-23 cs.LG cs.MA cs.NI
Evolving Inspectable O-RAN Slicing xApps with LLMs
University of Southern California（南加州大学）
本研究利用LLM将O-RAN切片控制器演化为可读可编辑的Python程序，在5G测试平台上提升44.5%吞吐量，并将SLA违例率从79.9%降至2.2%。
2026-09-24 cs.AI cs.LG cs.SY
Safe and Accelerated Deep Reinforcement Learning-based O-RAN Slicing: A Hybrid Transfer Learning Approach
Queen’s University（女王大学）；Cairo University（开罗大学）；University of Calgary（卡尔加里大学）
本文针对O-RAN切片中DRL收敛慢且不稳定问题，提出一种结合策略重用与蒸馏的混合迁移学习方法，实验表明其在初始奖励、收敛率和稳定性上均优于基线。
2023-09-18 cs.AI cs.LG 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
AI-Native Network Slicing for 6G Networks
University of Waterloo（滑铁卢大学）；Nanjing University（南京大学）；University of Windsor（温莎大学）
随着第五代（5G）网络的全球推出，有必要超越5G并设想6 G网络。预计6 G网络将具有空-空-地一体化网络，先进的网络虚拟化和泛在智能。本文提出了一种用于6 G网络的人工智能（AI）原生网络切片架构，以实现AI和网络切片的协同作用，从而促进智能网络管理并支持新兴的AI服务。首先在网络切片生命周期中讨论基于AI的解决方案，以智能地管理网络切片，即，AI用于切片。然后，研究了网络切片解决方案，通过构建AI实例和执行有效的资源管理来支持新兴的AI服务，即，为AI切片。最后，给出了一个案例研究，然后讨论了6 G网络中AI原生网络切片所必需的开放研究问题。
2021-11-05 cs.LG cs.NI
Attention-based Open RAN Slice Management using Deep Reinforcement Learning
Clemson University（克莱姆森大学）；Air Force Research Laboratory（美国空军研究实验室）
针对O-RAN等新兴网络动态环境下切片管理难保障QoS的问题，提出带价值注意力网络的分布式ADRL方法，借助O-RAN解耦模块与智能体协作提升泛化性，仿真显示性能优于现有DRL基准。
2023-06-15 cs.DC cs.LG cs.NI
Toward Safe and Accelerated Deep Reinforcement Learning for Next-Generation Wireless Networks
Queen’s University（女王大学）；Cairo University（开罗大学）；University of Calgary（卡尔加里大学）
深度强化学习（Deep Reinforcement Learning，DRL）算法近年来在无线网络领域得到了广泛的关注。它们被认为是解决下一代网络中动态无线资源管理（RRM）问题的有前途的方法。由于DRL算法能够构建无线网络环境的近似和不断更新的模型，因此可以处理此类环境的多方面复杂性。然而，一些挑战阻碍了商业网络中DRL的实际采用。在本文中，我们首先讨论了两个关键的实际挑战，面临的，但很少解决时，开发基于DRL的RRM解决方案。我们认为，这是不可避免的，以解决这些DRL相关的挑战，DRL找到自己的方式RRM商业解决方案。特别是，我们讨论了需要有安全和加速的DRL为基础的RRM解决方案，减轻DRL算法所表现出的收敛速度慢和性能不稳定。然后，我们审查和分类的主要方法中使用的RRM域开发安全和加速DRL为基础的解决方案。最后，进行了案例研究，以证明具有安全和加速的基于DRL的RRM解决方案的重要性。我们采用多种变体的迁移学习（TL）技术，以加速智能无线电接入网络（RAN）切片DRL为基础的控制器的收敛。我们还提出了一种基于TL的混合方法和基于S形函数的奖励，作为基于DRL的RAN切片中安全探索的示例。
2022-09-16 cs.AI cs.LG 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
Predictive Closed-Loop Service Automation in O-RAN based Network Slicing
Samsung R&D（三星研发中心）；Virginia Tech（弗吉尼亚理工学院）；San Jose State University（圣何塞州立大学）；Manchester Metropolitan University（曼彻斯特城市大学）；MediaTek（联发科）
网络切片提供了定制和敏捷的网络部署，用于在同一基础设施下管理各种垂直领域的不同服务类型。为了满足这些垂直行业的动态服务需求，并满足服务水平协议（SLA）中提到的所需服务质量（QoS），网络切片需要通过专用元件和资源进行隔离。此外，需要持续监控和智能管理分配给这些切片的资源。这可以立即检测和纠正任何违反SLA的行为，以闭环方式支持自动化服务保证。通过减少人为干预，智能和闭环资源管理降低了提供灵活服务的成本。在垂直行业（可能由不同的供应商管理）之间共享的网络中的资源管理将通过开放和标准化的接口得到进一步促进。开放式无线接入网（O-RAN）可能是最有前途的RAN架构，它继承了所有上述特征，即智能、开放和标准接口以及闭环控制。受此启发，在本文中，我们为O-RAN切片提供了一个闭环和智能的资源配置方案，以防止SLA违规。为了保持真实性，使用大型运营商的真实世界数据集来训练用于在所提出的闭环服务自动化过程中优化资源利用的学习解决方案。此外，部署架构和相应的流程，认识到O-RAN的要求也进行了讨论。
2022-02-04 cs.LG cs.NI eess.SP
TEFL: Turbo Explainable Federated Learning for 6G Trustworthy Zero-Touch Network Slicing
针对6G网络切片零接触管理的可信性需求，提出基于Turbo原理的TEFL框架，通过资源分配模型与解释器闭环交互实现可解释联邦学习，验证了其在non-IID数据下优于无约束事后解释基线。
2023-07-25 cs.IT cs.LG math.IT
Highly Accurate and Reliable Wireless Network Slicing in 5th Generation Networks: A Hybrid Deep Learning Approach
University of Swabi（斯瓦比大学）；Northumbria University（诺森比亚大学）；University of Hull（赫尔大学）；Institute of Management Sciences（管理科学学院）；Instituto De Telecomunicaces（电信研究所）
在当今时代，像第五代（5G）和第六代（6G）网络这样的下一代网络需要高安全性、低延迟以及高可靠标准和容量。在这些网络中，可重构无线网络切片被认为是5G和6G网络的关键要素之一。可重新配置的切片允许运营商使用单个基础设施来运行网络的各种实例，以获得更好的服务质量（QoS）。QoS可以通过使用人工智能和机器学习算法重新配置和优化这些网络来实现。为了开发用于网络管理和限制网络切片故障的智能决策机制，需要支持机器学习的可重构无线网络解决方案。在本文中，我们提出了一种由卷积神经网络（CNN）和长短期记忆（LSTM）组成的混合深度学习模型。CNN执行资源分配、网络重新配置和切片选择，而LSTM用于统计信息（负载均衡、出错率等）。关于网络切片。通过使用多个未知设备，切片故障，过载条件下，所提出的模型的适用性进行验证。所提出的模型，反映了其适用性的整体准确度为95.17%。
2021-10-07 cs.LG cs.NI eess.SP
When LLM Agents See a Conflict but Still Proceed: Cross-Domain Dependencies in Network Slicing
Federal University of ABC（ABC联邦大学）；NEXA
该研究针对AI原生网络中LLM智能体处理跨域依赖关系的问题，通过智能电网用例实验发现多数模型会违背已识别的依赖关系，提出需由管理架构而非LLM执行依赖关系验证。
2026-10-14 cs.AI cs.CL cs.LG
Centralized and Distributed Machine Learning-Based QoT Estimation for Sliceable Optical Networks
University of Cyprus（塞浦路斯大学）；KIOS Research and Innovation Center of Excellence（KIOS卓越研究与创新中心）；Athens Information Technology（雅典信息技术学院）
动态网络切片已经成为满足5G各种用例的有前途的基本框架。由于机器学习（ML）预计将在这些网络的有效控制和管理中发挥关键作用，在这项工作中，我们研究了基于ML的传输质量（QoT）估计问题下的动态网络切片上下文，其中每个切片必须满足不同的QoT要求。我们研究基于ML的QoT框架，目的是找到根据不同的QoT要求进行微调的QoT模型。集中式和分布式框架的检查和比较，根据其准确性和训练时间。我们发现，分布式的QoT模型优于集中式的QoT模型，特别是随着不同的QoT要求的数量增加。
2019-09-27 cs.LG cs.NI eess.SP
SAN: Inducing Metrizability of GAN with Discriminative Normalized Linear Layer
Sony AI（索尼人工智能）；The University of Tokyo（东京大学）；Sony Group Corporation（索尼集团公司）
该研究将 GAN 与切片最优传输联系起来，推导判别器可作为分布距离的条件，并提出只需简单修改即可改造现有 GAN 的 SAN 训练方案，实验验证其有效性并在 ImageNet 256×256 类别条件生成中取得最优 FID。
2024-04-10 cs.LG
RAILS: Risk-Aware Iterated Local Search for Joint SLA Decomposition and Service Provider Management in Multi-Domain Networks
Informatics Institute University of Amsterdam Amsterdam, The Netherlands（阿姆斯特丹大学信息技术研究所）
本文提出风险感知迭代局部搜索框架RAILS，通过结合在线风险建模与迭代局部搜索，联合解决多域网络中的SLA分解与服务提供商选择问题，在MINLP问题上实现了接近最优的实时性能。
2025-04-11 cs.LG cs.NI
Application of Machine Learning in Wireless Networks: Key Techniques and Open Issues
Beijing University of Posts and Telecommunications（北京邮电大学）；Auburn University（奥本大学）
作为实现人工智能的关键技术，机器学习（ML）能够在没有显式编程的情况下解决复杂问题。由于其在图像识别等许多实际任务中的成功应用，工业界和研究界都倡导ML在无线通信中的应用。本文综述了ML在无线通信中的应用，主要包括：MAC层的资源管理、网络层的组网和移动性管理以及应用层的定位。在资源管理中的应用还包括功率控制、频谱管理、回程管理、缓存管理、波束形成器设计和计算资源管理，而基于ML的网络集中在集群、基站切换控制、用户关联和路由中的应用。此外，在每个方面的文献组织根据所采用的ML技术。此外，还分析了ML在无线通信中应用的几个条件，以帮助读者决定是否使用ML以及使用哪种ML技术，并总结了传统方法及其与基于ML的方法的性能比较，在此基础上阐明了被调查文献采用ML的动机。鉴于研究领域的广泛性，提出了挑战和未解决的问题，以促进未来的研究，其中基于ML的网络切片，基础设施更新，以支持基于ML的范例，开放的数据集和平台的研究人员，ML实现的理论指导等进行了讨论。
2019-03-01 cs.LG 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
Tiny Graph Neural Networks for Radio Resource Management
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出低秩消息传递图神经网络LR-MPGNN，通过低秩近似替代线性层，在无线资源管理中实现模型规模缩小六十倍、参数减少最高98%，且性能仅下降约2%。
2024-03-28 cs.LG cs.NI eess.SP
