Deep Reinforcement Learning-Based Sector Carrier Assignment in CloudRAN
Notice bibliographique
Résumé
In the domain of evolving wireless communication technologies such as 5G and beyond, efficient resource allocation is paramount for ensuring service availability and optimal performance. Cloud Radio Access Network (CloudRAN) management offers a dynamic solution to this challenge by integrating cloud-based technologies to optimize resource utilization and enhance scalability. Within CloudRAN, the assignment of Sector Carriers (SCs) plays a critical role in wireless communication systems' operation (e.g., frequency bands), emphasizing the need for efficient data routing to optimal servers. This paper introduces a Deep Reinforcement Learning (DRL) based solution for SC assignment on available server resources, addressing the complex task of balancing conflicting SC’ objectives such as mobility and resiliency. By employing DRL integrated with Graph Neural Networks (GNN), the proposed solution can model complex pairwise relationships between SCs and server resources. The DRL-based solution is trained offline, enabling rapid proposal of SC assignment plans while accommodating diverse requirements such as resiliency, mobility, and resource utilization. Furthermore, the proposed solution dynamically adapts to environmental changes through a feedback loop mechanism, fostering continuous learning. We evaluate the performance of the proposed solution in terms of training convergence, server's capacity violations, and inferencing time. The proposed DRL-GNN solution reduces the number of steps by up to 99% and inference time by over 98% compared to random and Genetic Algorithm (GA) methods. At 1000 SCs, it finds optimal assignments in 9 steps and 2 seconds, while random and GA require over 1000 steps and up to 40 minutes. Additionally, DRL-GNN achieves a 100% success rate, significantly outperforming random (31%) and GA (27%), demonstrating its efficiency and adaptability in optimizing SC assignment
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 ».