O-RAN中无线接入网资源分配的多智能体深度强化学习方法
摘要：人工智能和机器学习被视为实现第五代（5G）及以上移动网络的全部潜力的关键驱动力，尤其是在资源管理和协调方面。在这个演示中，我们考虑一个完整的5G移动网络，并开发了一个多代理深度强化学习（DRL）框架用于无线接入网（RAN）资源分配。通过利用由共享的gNodeB实例（gNB）生成的局部监控信息，每个DRL代理都旨在最优地分配无线资源，以满足属于不同运行服务的特定服务流量需求。我们在实时部署的测试平台上进行实验，结果显示基于DRL的代理可以公平地分配无线资源，同时提高资源利用的整体效率并降低超配风险。
作者：Farhad Rezazadeh, Lanfranco Zanzi, Francesco Devoti, Sergio Barrachina-Munoz, Engin Zeydan, Xavier Costa-P''erez, Josep Mangues-Bafalluy
论文ID：2307.02414
分类：Networking and Internet Architecture
分类简称：cs.NI
提交时间：2023-07-06