Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tối ưu hóa dựa trên mạch tích hợp quang và nâng cao truyền dữ liệu cho các mạng truy cập vô tuyến bằng cách sử dụng mô hình học máy
Tóm tắt
Bằng cách sử dụng bộ nhớ đệm tại rìa và điện toán đám mây tại rìa, các mạng truy cập vô tuyến đám mây (F-RANs) được coi là kiến trúc phù hợp để phục vụ các dịch vụ Internet of Things. Tuy nhiên, nghiên cứu hiện tại về quản lý tài nguyên trong F-RANs chủ yếu xem xét một phương pháp tĩnh với một chế độ giao tiếp duy nhất. Quản lý tài nguyên trong F-RANs trở nên rất khó khăn do tính động của mạng, sự đa dạng của tài nguyên và sự liên kết giữa quản lý tài nguyên với việc lựa chọn chế độ. Nghiên cứu này đề xuất một phương pháp độc đáo cho việc truyền dữ liệu và tối ưu hóa trong các mạng truy cập vô tuyến bằng cách sử dụng mô hình học máy. Ở đây, các mạch tích hợp quang với tối ưu hóa động được sử dụng để cải thiện sự tối ưu hóa mạng. Sau đó, dữ liệu được gửi đi bằng cách sử dụng MASORL, một hệ thống học tăng cường tự tổ chức đa tác nhân dựa trên mô hình đám mây. Nghiên cứu thực nghiệm được thực hiện về các khía cạnh hiệu quả mạng, khả năng mở rộng, QoS, thông lượng và tiêu thụ năng lượng. Chúng tôi cho thấy cách việc sử dụng học tập theo nhóm thay vì học tập của các tác nhân đơn lẻ có thể cải thiện hiệu suất mạng. Cuối cùng, để cung cấp cho các học giả trong lĩnh vực một lộ trình, chúng tôi xác định các vấn đề và những mối quan ngại chưa được giải quyết.
Từ khóa
#Mạng truy cập vô tuyến đám mây #học máy #tối ưu hóa #bộ nhớ đệm tại rìa #độ tin cậy của dịch vụ.Tài liệu tham khảo
citation_journal_title=IEEE Trans. Wirel. Commun.; citation_title=User access control in open radio access networks: A federated deep reinforcement learning approach; citation_author=Y Cao, SY Lien, YC Liang, KC Chen, X Shen; citation_volume=21; citation_issue=6; citation_publication_date=2021; citation_pages=3721-3736; citation_doi=10.1109/TWC.2021.3123500; citation_id=CR1
Cao, Y., Lien, S.Y., Liang, Y.C., Chen, K.C.: Federated deep reinforcement learning for user access control in open radio access networks. In: ICC 2021-IEEE International Conference on Communications, IEEE, pp. 1–6 (2021)
Chang, Q., Jiang, Y., Zheng, F.C., Bennis, M., You, X.: Cooperative edge caching via multi agent reinforcement learning in fog radio access networks. In: ICC 2022-IEEE International Conference on Communications, IEEE, pp. 3641–3646 (2022)
citation_journal_title=IEEE Internet Things J.; citation_title=Optimized computation offloading performance in virtual edge computing systems via deep reinforcement learning; citation_author=X Chen, H Zhang, C Wu, S Mao, Y Ji, M Bennis; citation_volume=6; citation_issue=3; citation_publication_date=2018; citation_pages=4005-4018; citation_doi=10.1109/JIOT.2018.2876279; citation_id=CR4
Deka, K., Sharma, S.: Hybrid NOMA for future radio access: design, potentials and limitations. Wireless Personal Communications, pp. 1–16 (2022)
citation_journal_title=IEEE Internet Things J.; citation_title=MEC-assisted immersive VR video streaming over terahertz wireless networks: a deep reinforcement learning approach; citation_author=J Du, FR Yu, G Lu, J Wang, J Jiang, X Chu; citation_volume=7; citation_issue=10; citation_publication_date=2020; citation_pages=9517-9529; citation_doi=10.1109/JIOT.2020.3003449; citation_id=CR6
citation_journal_title=IEEE Internet Things J.; citation_title=Deep-reinforcement-learning-based resource allocation for content distribution in fog radio access networks; citation_author=C Fang, H Xu, Y Yang, Z Hu, S Tu, K Ota, Y Liu; citation_volume=9; citation_issue=18; citation_publication_date=2022; citation_pages=16874-16883; citation_doi=10.1109/JIOT.2022.3146239; citation_id=CR7
citation_journal_title=IEEE Trans. Netw. Sci. Eng.; citation_title=Dynamic SDN-based radio access network slicing with deep reinforcement learning for URLLC and eMBB services; citation_author=A Filali, Z Mlika, S Cherkaoui, A Kobbane; citation_volume=9; citation_issue=4; citation_publication_date=2022; citation_pages=2174-2187; citation_doi=10.1109/TNSE.2022.3157274; citation_id=CR8
citation_journal_title=Sensors; citation_title=Multi-agent team learning in virtualized open radio access networks (o-ran); citation_author=PE Iturria-Rivera, H Zhang, H Zhou, S Mollahasani, M Erol-Kantarci; citation_volume=22; citation_issue=14; citation_publication_date=2022; citation_pages=5375; citation_doi=10.3390/s22145375; citation_id=CR9
Jiang, N., Deng, Y., Simeone, O., Nallanathan, A.: Cooperative deep reinforcement learning for multiple-group NB-IoT networks optimization. In: ICASSP 2019–2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), IEEE, pp. 8424–8428 (2019)
citation_journal_title=EURASIP J. Wirel. Commun. Netw.; citation_title=An architecture and performance evaluation framework for artificial intelligence solutions in beyond 5G radio access networks; citation_author=GP Koudouridis, Q He, G Dán; citation_volume=2022; citation_issue=1; citation_publication_date=2022; citation_pages=1-32; citation_doi=10.1186/s13638-022-02164-w; citation_id=CR11
Lu, L., Jiang, Y., Bennis, M., Ding, Z., Zheng, F.C., You, X.: Distributed edge caching via reinforcement learning in fog radio access networks. In: 2019 IEEE 89th Vehicular Technology Conference (VTC2019-Spring), IEEE, pp. 1–6 (2019)
Murti, F.W., Ali, S., Latva-aho, M.: Deep reinforcement based optimization of function splitting in virtualized radio access networks. In: 2021 IEEE International Conference on Communications Workshops (ICC Workshops), IEEE, pp. 1–6 (2021)
citation_journal_title=ICT Express; citation_title=Enabling technologies for AI empowered 6G massive radio access networks; citation_author=M Shahjalal, W Kim, W Khalid, S Moon, M Khan, S Liu, YM Jang; citation_volume=9; citation_issue=3; citation_publication_date=2023; citation_pages=341-355; citation_doi=10.1016/j.icte.2022.07.002; citation_id=CR14
Shi, Y., Sagduyu, Y.E., Erpek, T.: Reinforcement learning for dynamic resource optimization in 5G radio access network slicing. In: 2020 IEEE 25th International Workshop on Computer Aided Modeling and Design of Communication Links and Networks (CAMAD), IEEE, pp. 1–6 (2020)
citation_journal_title=Trans. Emerg. Telecommun. Technol.; citation_title=Optimizing resources allocation in a heterogeneous cloud radio access network using machine learning; citation_author=M Shirmohamadi, H Bakhshi, M Dosaranian-Moghadam; citation_volume=33; citation_issue=9; citation_publication_date=2022; citation_pages=e4570; citation_doi=10.1002/ett.4570; citation_id=CR16
citation_journal_title=Neural Comput. Appl.; citation_title=Development of secured data transmission using machine learning-based discrete-time partially observed Markov model and energy optimization in cognitive radio networks; citation_author=S Vimal, L Kalaivani, M Kaliappan, A Suresh, XZ Gao, R Varatharajan; citation_volume=32; citation_publication_date=2020; citation_pages=151-161; citation_doi=10.1007/s00521-018-3788-3; citation_id=CR17
citation_journal_title=IEEE Trans. Veh. Technol.; citation_title=Mode selection and resource allocation in sliced fog radio access networks: a reinforcement learning approach; citation_author=H Xiang, M Peng, Y Sun, S Yan; citation_volume=69; citation_issue=4; citation_publication_date=2020; citation_pages=4271-4284; citation_doi=10.1109/TVT.2020.2972999; citation_id=CR18
citation_journal_title=IEEE Internet Things J.; citation_title=Machine-learning approach for user association and content placement in fog radio access networks; citation_author=S Yan, M Jiao, Y Zhou, M Peng, M Daneshmand; citation_volume=7; citation_issue=10; citation_publication_date=2020; citation_pages=9413-9425; citation_doi=10.1109/JIOT.2020.2973339; citation_id=CR19
Zhou, G., Zhao, L., Zheng, G., Xie, Z., Song, S., Chen, K.C.: Joint multi-objective optimization for radio access network slicing using multi-agent deep reinforcement learning. IEEE Transactions on Vehicular Technology (2023)