基于流量感知的无线接入网智能切片资源分配方法研究

来源：信号处理杂志 2024年第4期北京时间：

作者：赵晨, 张铖, 黄永明

摘要：为保障业务服务等级协议（Service Level Agreements， SLA）需求，使不同应用间差异化的服务质量需求同时得到良好满足，无线接入网（Radio Access Network， RAN）的动态网络资源配置十分关键。本文针对网络流量波动、网络状态快速变化的场景，提出一种结合时间序列预测和深度强化学习的智能化带宽分配策略，通过合理利用长短期记忆（Long Short-Term Memory， LSTM）网络和Dueling深度Q网络（Dueling Deep Q Network， Dueling DQN）以最大限度提高无线接入网切片的频谱效率和SLA满意度。通过使用LSTM网络对切片中数据流量进行预测，可以将深度强化学习算法的计算周期与实际切片配置周期有效解耦。同时为了在保障LSTM性能的同时降低其计算复杂度，以适应RAN中有限的计算资源，本文采用控制神经元连接比例的随机连接长短期记忆（Randomly Connected LSTM， RCLSTM）网络。此外，Dueling DQN与传统DQN相比，能够提高切片策略学习过程的Q值估计精度，以提升收敛速度。仿真结果表明：与原始DQN、优势Actor-Critic（Advantage Actor Critic， A2C）和硬切片方法相比，所提RCLSTM-Dueling DQN方案可以通过提前感知网络性能变化，有效降低网络环境波动对密集流量场景下无线切片资源管理的影响，在具有三种不同流量波动模式及服务质量需求的RAN切片场景中，可以获得收敛速度、频谱效率和切片SLA满意率的明显提升。同时，10%连接比例的RCLSTM网络能在保持极低性能损失的前提下，将原始LSTM的计算时间降低约11%。

关键词：‍‍：‍‍无线接入网络切片, 动态资源分配, 时间序列预测, 深度强化学习