【标题】Deep Reinforcement Learning for Orchestrating Cost-Aware Reconfigurations of vRANs

【作者团队】Fahri Wisnu Murti, Samad Ali, George Iosifidis, Matti Latva-aho

【发表日期】2022.8.10

【论文链接】https://arxiv.org/pdf/2208.05282.pdf

【推荐理由】虚拟化无线电接入网络 (vRAN) 是完全可配置的，并且可以在提供前所未有的网络管理灵活性的商品平台上以低成本实施。本文提出了新颖的基于深度强化学习 (RL) 的框架，其联合重构基站 (BS) 的功能拆分、虚拟化中央单元 (vCU) 和分布式单元 (vDU) 的资源和位置，以及每个 BS 数据流的路由。该解决方案框架是使用无模型多智能体 RL 开发，其中每个智能体控制每个 BS 的配置。然而，由于 BS 的联合配置决策，每个智能体都具有多维离散动作空间。为克服维度灾难，在每个智能体上应用了带有动作分支的 Dueling 双 Q 网络。此外，代理学习其最佳策略以选择独立重新配置 BS 的操作。使用符合 O-RAN 的模型执行模拟。研究结果表明，该框架成功地学习了最优策略，可通过转移学习轻松地应用于不同的vRAN系统，并显著节省了基准测试的成本。

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