内布拉斯加州大学|端到端网络切片的深度强化学习：挑战与解决方案

【标题】Deep Reinforcement Learning for End-to-End Network Slicing: Challenges and Solutions

【作者团队】Qiang Liu, Nakjung Choi, Tao Han

【发表日期】2022.7.29

【论文链接】https://arxiv.org/pdf/2207.14766.pdf

【推荐理由】5G及更高版本有望支持垂直行业中具有不同性能要求的各种新兴用例。为了经济高效地服务于这些用例，网络切片在根据特定资源需求动态创建虚拟端到端网络方面发挥着关键作用。一个网络切片可能在多个技术域上具有数百个可配置参数，这些参数定义了网络切片的性能，这使得无法使用传统的基于模型的解决方案来协调网络切片的资源。本文讨论了如何设计和部署深度强化学习（DRL），一种无模型方法，以解决网络切片问题。首先，本文分析了网络切片问题，并提出了一种符合标准的系统架构，该架构支持5G和其他网络中基于DRL的解决方案。其次，深入分析了在网络切片系统中设计和部署DRL所面临的挑战。第三，探索了多种有前途的技术，即安全和分布式DRL，以及模拟学习，以实现端到端网络切片的自动化。