Handover-Free Multi-Connectivity Mobility Management for Downlink FD-RAN: A Hierarchical DRL-Based Approach
Notice bibliographique
Résumé
Seamless connectivity and on-demand service provision are considered as the fundamental capabilities in next-generation mobile networks (6G). However, current configuration of single base station (BS) connection and increasingly denser BS deployment pose great challenges for mobile user equipment (UE), due to the frequent handover and limited communication serving capacity. To this end, we investigate the handover-free multi-connectivity mobility management problem in downlink over a novel 6G architecture, namely fully-decoupled radio access network (FD-RAN). Particularly, we formulate the problem as a two-layer task involving UE-BS association and link power control, whose objective is to minimize the long-term absolute difference between UE’s serving rate and rate demand. We propose a hierarchical deep reinforcement learning (HDRL)-based scheme to decompose the original problem into two subproblems for efficient resolution. Specifically, a double deep Q-network (DDQN) algorithm is employed to update the multi-connectivity BS cooperation set for each UE at the first layer of HDRL. Then at the second layer, we design a transformer-assisted soft actor-critic (TSAC) algorithm to jointly determine transmission power for all links associated with each UE. Extensive simulations validate the effectiveness of proposed scheme over benchmarks, which is capable of providing seamless connectivity and fine-grained on-demand service for mobile UEs.
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 | 0,001 |
| 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 | 0,002 | 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 ».