Deep Reinforcement Learning-Based RAN Slicing for UL/DL Decoupled Cellular V2X
Notice bibliographique
Résumé
The emerging uplink (UL) and downlink (DL) decoupled radio access networks (RAN) has attracted a lot of attention due to the significant gains in network throughput, load balancing and energy consumption, etc. However, due to the diverse vehicular service requirements in different vehicle-to-everything (V2X) applications, how to provide customized cellular V2X services with diversified requirements in the UL/DL decoupled 5G and beyond cellular V2X networks is challenging. To this end, we investigate the feasibility of UL/DL decoupled RAN framework for cellular V2X communications, including the vehicle-to-infrastructure (V2I) communications and relay-assisted cellular vehicle-to-vehicle (RAC-V2V) communications. We propose a two-tier UL/DL decoupled RAN slicing approach. On the first tier, the deep reinforcement learning (DRL) soft actor-critic (SAC) algorithm is leveraged to allocate bandwidth to different base stations. On the second tier, we model the QoS metric of RAC-V2V communications as an absolute-value optimization problem and solve it by the alternative slicing ratio search (ASRS) algorithm with global convergence. The extensive numerical simulations demonstrate that the UL/DL decoupled access can significantly promote load balancing and reduce C-V2X transmit power. Meanwhile, the simulation results show that the proposed solution can significantly improve the network throughput while ensuring the different QoS requirements of cellular V2X.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».