Graph Q-Network dengan Konsistensi Temporal untuk Kendali Jaringan Cerdas

Jaringan seluler tumbuh semakin kompleks, dengan jaringan generasi berikutnya diharapkan mendukung beban trafik yang meningkat dan layanan yang beragam. Mengoptimalkan parameter antena di bawah tujuan yang dinamis atau berubah menjadi semakin menantang. Makalah ini mengusulkan algoritma pembelajaran penguatan multi-agen (MARL) baru untuk kendali tingkat tinggi dan orkestrasi jaringan seluler. Temporally Consistent Graph Q-Network (TC-GQN) mempelajari representasi swa-prediktif dari seluruh jaringan yang tidak bergantung tugas dan mengagregasi informasi dari semua base station. Graph neural network dilatih menggunakan fungsi reward global untuk menetapkan aksi lokal yang terkoordinasi berdasarkan encoding yang dipelajari dari keadaan jaringan global. Algoritma dievaluasi dalam lingkungan simulasi untuk mengorkestrasi fitur penghematan energi di berbagai sektor dan berbagai carrier di bawah batasan quality of service (QoS) yang berbeda.

Algoritma dievaluasi dalam lingkungan simulasi untuk mengorkestrasi fitur penghematan energi di berbagai sektor dan berbagai carrier di bawah batasan quality of service (QoS) yang berbeda. Algoritma yang diusulkan mengungguli baseline berbasis graf yang mutakhir dan pengendali berbasis aturan yang kompetitif dengan meningkatkan waktu tidur perangkat keras sambil mempertahankan QoS. Selain itu, representasi yang dipelajari memungkinkan adaptasi cepat terhadap intent yang berubah. Hasil kuantitatif tidak disediakan dalam abstrak, tetapi peningkatan dilaporkan dalam hal waktu tidur perangkat keras dan pemeliharaan QoS.