論文の概要: Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A
Reinforcement Learning Based Approach
- arxiv url: http://arxiv.org/abs/2303.02657v1
- Date: Sun, 5 Mar 2023 12:25:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 18:23:39.874579
- Title: Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A
Reinforcement Learning Based Approach
- Title（参考訳）: open ranにおけるsparsity-aware intelligent massive random access control--強化学習に基づくアプローチ
- Authors: Xiao Tang, Sicong Liu, Xiaojiang Du, Mohsen Guizani
- Abstract要約: 新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。
閉ループアクセス制御の強化学習(RL)支援方式を提案する。
深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
- 参考スコア（独自算出の注目度）: 61.74489383629319
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Massive random access of devices in the emerging Open Radio Access Network
(O-RAN) brings great challenge to the access control and management. Exploiting
the bursting nature of the access requests, sparse active user detection (SAUD)
is an efficient enabler towards efficient access management, but the sparsity
might be deteriorated in case of uncoordinated massive access requests. To
dynamically preserve the sparsity of access requests, a reinforcement-learning
(RL)-assisted scheme of closed-loop access control utilizing the access class
barring technique is proposed, where the RL policy is determined through
continuous interaction between the RL agent, i.e., a next generation node base
(gNB), and the environment. The proposed scheme can be implemented by the
near-real-time RAN intelligent controller (near-RT RIC) in O-RAN, supporting
rapid switching between heterogeneous vertical applications, such as mMTC and
uRLLC services. Moreover, a data-driven scheme of deep-RL-assisted SAUD is
proposed to resolve highly complex environments with continuous and
high-dimensional state and action spaces, where a replay buffer is applied for
automatic large-scale data collection. An actor-critic framework is formulated
to incorporate the strategy-learning modules into the near-RT RIC. Simulation
results show that the proposed schemes can achieve superior performance in both
access efficiency and user detection accuracy over the benchmark scheme for
different heterogeneous services with massive access requests.
- Abstract（参考訳）: 新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらす。
アクセス要求のバースト特性をエクスプロイトすることで、SAUD(sparse active user detection)は効率的なアクセス管理を実現するのに有効であるが、非コーディネートな大規模アクセス要求の場合、スパーシティは劣化する可能性がある。
アクセス要求の間隔を動的に保存するために、アクセスクラスバーリング技術を利用した強化学習(RL)支援による閉ループアクセス制御方式を提案し、RLエージェント、すなわち次世代ノードベース(gNB)と環境との連続的な相互作用を通じてRLポリシーを決定する。
提案方式はO-RANの近リアルタイムRANインテリジェントコントローラ(近RT RIC)により実装可能であり,mMTCやuRLLCサービスなどの異種垂直アプリケーション間の高速な切り替えをサポートする。
さらに,高次元かつ連続的な状態と動作空間を持つ複雑な環境を解決するために,深部RL支援SAUDを用いたデータ駆動型SAUDを提案し,リプレイバッファを大規模データ収集に応用した。
アクター批判フレームワークは、戦略学習モジュールを近RT RICに組み込むように定式化されている。
シミュレーションの結果,大規模アクセス要求の異なる異種サービスに対するベンチマーク方式に比べて,提案手法はアクセス効率とユーザ検出精度の両方において優れた性能が得られることがわかった。
関連論文リスト
- Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。
STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。
複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
論文 参考訳（メタデータ） (2024-06-19T07:17:04Z) - Deep Learning-Based Approach for User Activity Detection with Grant-Free Random Access in Cell-Free Massive MIMO [0.8520624117635328]
本稿では,アクティビティ検出問題への教師付き機械学習モデルの適用について検討する。
本研究では, セルフリー・マス・マルチ入力多重出力(CF-mMIMO)ネットワークにおいて, ユーザアクティビティ検出に特化して設計されたデータ駆動アルゴリズムを提案する。
このアルゴリズムは99%の精度を達成し、実世界のアプリケーションで有効性を確認します。
論文 参考訳（メタデータ） (2024-06-11T11:08:33Z) - Safe and Accelerated Deep Reinforcement Learning-based O-RAN Slicing: A
Hybrid Transfer Learning Approach [20.344810727033327]
我々は,DRLをベースとしたO-RANスライシングにおいて,安全かつ迅速な収束を実現するためのハイブリッドTL支援手法を提案し,設計する。
提案されたハイブリッドアプローチは、少なくとも7.7%と20.7%は、平均的な初期報酬値と収束シナリオの割合を改善している。
論文 参考訳（メタデータ） (2023-09-13T18:58:34Z) - Distributed-Training-and-Execution Multi-Agent Reinforcement Learning
for Power Control in HetNet [48.96004919910818]
We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。
エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。
このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
論文 参考訳（メタデータ） (2022-12-15T17:01:56Z) - Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in
O-RAN [11.464582983164991]
新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。
O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。
本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-30T17:00:53Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳（メタデータ） (2021-06-03T16:45:40Z) - Dynamic Multichannel Access via Multi-agent Reinforcement Learning:
Throughput and Fairness Guarantees [9.615742794292943]
マルチエージェント強化学習(RL)に基づく分散マルチチャネルアクセスプロトコルを提案する。
チャネルアクセス確率を各時間スロットで調整する従来の手法とは異なり、提案したRLアルゴリズムは、連続する時間スロットに対する一連のチャネルアクセスポリシーを決定論的に選択する。
我々は,現実的な交通環境において広範なシミュレーションを行い,提案したオンライン学習がスループットと公平性の両方を改善することを示す。
論文 参考訳（メタデータ） (2021-05-10T02:32:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。