【标题】Network Slicing with Centralized and Distributed Reinforcement Learning for Combined Satellite/Ground Networks in a 6G Environment

【作者团队】Tiago Koketsu Rodrigues, Nei Kato

【发表日期】2022.4.4

【论文链接】https://ieeexplore.ieee.org/document/9749189

【推荐理由】对于实现超越 5G 和 6G 网络的目标，保持无处不在的访问并提供低延迟和高可靠性至关重要。卫星网络是一种工具技术，即使在没有地面基础设施的偏远地区也能提供网络覆盖，并在地面网络过于拥挤时提供卸载选项。然而，为了有效实施，重要的是不仅要考虑空间卫星系统周围的特性，还要考虑地面和卫星网络联合资源分配所面临的挑战。为了帮助实现这一点，本文建议使用网络切片来为每个新的传入用户请求选择和保留特定资源。这些资源是通过基于机器学习的技术来选择的，该技术学习用户请求的模式以及频繁请求的路径。这些网络路径的成本更高，因此只有在没有其他选择时才分配它们。仿真表明，这种策略可以提高资源分配的效率，从而使系统能够为更多的用户提供服务。


内容中包含的图片若涉及版权问题，请及时与我们联系删除