SOIS-A2C Scheme: Facilitating Management of Multi-Radio Resources in Heterogeneous Inter-RAN Slicing in the Presence of Hardware Impairments
Notice bibliographique
Résumé
Recent years have witnessed the emergence of the concept of network slicing (NS) that enables the creation of independent, virtualized logical networks on the same physical infrastructure. Each NS is tailored to meet the needs of a particular service or application. NS is widely considered a key enabling technology for end-to-end (E2E) automation in managing resources within radio access networks (RAN). To achieve E2E automation in RAN slicing, it is essential to automate resource allocation at both the intra- and inter-slice levels to meet the demands of future applications and services. In this context, the present study focuses on the automated management of multiple radio resources at the inter-slice level. More specifically, we propose a self-optimizing inter-slice scheme based on the deep reinforcement learning (DRL) advantage actor-critic (A2C) algorithm, named SOIS-A2C. Our goal is to maximize the spectral efficiency of the system while maintaining high service quality by considering the effects of hardware distortions and intra-slicing interference. The results highlight the effectiveness of the proposed SOIS-A2C scheme, which demonstrates superior performance in maximizing spectral efficiency as compared to benchmark schemes such as the SOIS-based deep Q-network (DQN) and hard slicing in highly fluctuating environments and under ideal and non-ideal hardware 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 | 0,002 |
| 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) | 0,001 | 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 ».