PABSO-DRL: Power and Beam Self-Optimization Scheme for Multiple Slices in MU-MISO Systems
Notice bibliographique
Résumé
Recently, the concept of zero-touch networks (ZTNs) relying heavily on pervasive artificial intelligence (AI) algorithms for the full automation of future networks have emerged. ZTNs, empowered by AI, will play a significant role in reducing the management complexity of beyond fifth-generation (B5G) networks. One enabling technology of ZTNs is network slicing (NS), which is the cornerstone of B5G networks. However, NS faces challenges, particularly in terms of radio resource allocation management. Therefore, this paper presents an efficient self-optimization scheme for a multi-user multiple-input single-output (MU-MISO) system across different slices; named PABSO-DRL. This scheme dynamically and jointly manages power allocation and beam direction based on a deep reinforcement learning (DRL) framework, considering imperfect channel state information (CSI) and the time-varying dynamics of the NS environment. PABSO-DRL ensures high data rates for enhanced mobile broadband (eMBB) while guaranteeing high reliability for ultra-reliable low latency communications (uRLLC). The problem is formulated as a multi-objective optimization problem and solved by designing multiple deep Q-learning (DQL) agents. The proposed scheme is extensively evaluated under two scenarios: perfect and imperfect CSI, comparing its performance with four traditional benchmark algorithms, and state-of-the-art schemes. Results demonstrate the superiority of the proposed DRL scheme, even under imperfect CSI, highlighting its adaptability to various network slicing conditions.
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 | 0,001 | 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 ».