基于深度强化学习的面向安全与节能6G无线网络的智能资源分配框架
《Sustainable Computing: Informatics and Systems》:Deep Reinforcement Learning-Based Intelligent Resource Allocation Framework for Secure and Energy-Efficient 6
G Wireless Networks
【字体:
大
中
小
】
时间:2026年10月23日
来源:Sustainable Computing: Informatics and Systems 3.8
编辑推荐:
- ReliefF-FCM-DDPG 框架能够实现 6G 智能资源分配。
- ReliefF 筛选与资源管理相关的网络特征。
- FCM 捕捉 6G 网络中重叠且不确定的状态条件。
- DDPG 学习连续策略以实现自适应资源分配。
- 多目标优化在服务质量(QoS)、安全性、
- ReliefF-FCM-DDPG 框架能够实现 6G 智能资源分配。
- ReliefF 筛选与资源管理相关的网络特征。
- FCM 捕捉 6G 网络中重叠且不确定的状态条件。
- DDPG 学习连续策略以实现自适应资源分配。
- 多目标优化在服务质量(QoS)、安全性、能耗和资源利用率之间实现平衡。
**引言**
6G 无线通信是继 5G 之后移动网络的下一步演进,旨在实现 ubiquitous 连接、超高速数据率、超低时延、海量设备连接、高可靠性、能效以及智能网络服务 [1]。自 2010 年代后期以来,随着 5G 的全球部署与演进,6G 研究发展加速,学术界、产业界和标准化社区的关注度日益提升 [2]。与早期主要聚焦语音、宽带接入和增强型移动服务的网络代际不同,6G 预计将支持高度集成的通信、计算、感知、人工智能以及沉浸式应用 [3], [3]。互联设备数量和数据密集型应用的增长提高了高效无线资源利用的重要性 [4]。因此,6G 已成为建立能够支持未来数字服务的智能、可持续、高容量且可靠通信基础设施的主要研究方向 [5]。能量感知的资源分配对 6G 网络至关重要,因为频谱、发射功率和边缘计算资源会影响性能和功耗,需要在动态网络条件下进行协调管理。
近期研究通过机器学习、深度学习、强化学习、联邦学习和优化技术逐步推进了智能 6G 网络的发展 [6]。已有研究在资源分配、能效、QoS、波束成形、网络安全、路由和边缘计算方面取得了改进 [7]。其他研究采用了 STAR-RIS(智能反射面)、混合波束成形、区块链辅助安全、数字孪生和进化优化来提升频谱效率、吞吐量、时延、能耗利用率和安全通信 [8]。可解释人工智能进一步支持了可信赖的资源管理决策,而安全 O-RAN 框架则集成了零信任原则和隐私保护联邦学习 [9]。在此基础上,本工作旨在开发基于 DDPG 的智能资源分配框架,集成 ReliefF 特征选择和基于 FCM 的网络状态表示,以实现 6G 无线网络中的安全、能效和 QoS 感知的资源分配。目标是通过自适应资源分配为安全且节能的 6G 无线通信提供智能指导,在动态网络条件下联合优化 QoS、安全性、能效和资源利用率。研究重点通过四个目标提升 6G 资源分配:信息丰富的特征选择、网络条件表示、自适应资源优化以及多目标性能管理。ReliefF 选择相关网络特征,FCM 通过模糊隶属度表示网络条件,DDPG 学习频谱、发射功率和计算资源的联合分配。多目标奖励函数进一步将 QoS、安全性、能效和资源利用率整合到分配过程中。所提出框架的创新性在于将 ReliefF 特征选择、基于 FCM 的模糊网络条件表示以及基于 DDPG 的连续资源分配统一集成到 6G 资源管理架构中。该框架将选定的网络特征和模糊隶属度信息相结合构建 DDPG 状态,从而在同时考虑 QoS、安全性、能效和资源利用率的情况下,实现频谱、发射功率和计算资源的自适应联合分配。
现有的 6G 资源管理框架面临四个主要问题:传统优化方法对动态网络条件的适应性有限 [10];高维网络参数增加了计算复杂度 [11];资源分配往往将 QoS 和能效分开处理 [12];以及安全性考虑未充分整合到分配决策中 [13]。所提出的框架通过以下方式克服这些问题:使用 ReliefF 选择相关特征,使用 FCM 表示变化的网络条件,使用 DDPG 学习自适应连续资源分配决策。多目标奖励函数同时考虑 QoS、安全性、能效和资源利用率,从而实现更智能、更安全的 6G 资源管理。ReliefF、FCM 和连续动作学习的组合提供了一条从信息丰富的网络特征到自适应资源决策的结构化路径。ReliefF 减少无关特征信息,FCM 捕捉渐变和重叠的网络条件,DDPG 将生成的状态表示转化为连续资源分配动作,支持安全、节能和 QoS 感知的 6G 资源管理。
**研究目标:**
- 开发一个基于 6G 网络资源分配数据集的安全且节能的 6G 资源分配框架,旨在改善 QoS、资源利用率、安全性和能效。
- 使用 ReliefF 特征选择和 FCM 聚类来筛选和表示最相关的网络信息,然后进行 6G 网络状态表示以支持自适应决策。
- 使用 DDPG 优化连续资源分配决策,涵盖 6G 无线网络环境中的频谱分配、发射功率分配和计算资源分配。
- 通过 SRI(安全奖励指数)、能效评估、多目标奖励、DDPG 演员-评论家更新、收敛分析和基于吞吐量、时延、能效、功耗、安全性和资源利用率的性能评估来增强并评估已学习的分配策略。
本文结构如下:第 2 节介绍相关工作,第 3 节描述所提出的 ReliefF-FCM-DDPG 框架,第 4 节展示实验结果,第 5 节讨论研究结果,第 6 节总结全文并提出未来方向。
**章节摘要**
**相关工作**
近期研究使用智能学习和优化技术针对 6G 网络中的资源管理、能效、时延和 QoS 展开工作。Krishnamoorthy Suresh 等人 [14] 开发了一种混合量子深度学习模型,整合 CNN 和 RNN 用于资源分配、网络重配置、负载均衡和错误检测,同时基站优化器确定 ON/SLEEP 状态。该模型实现了高精度并将功耗降低了 2 dB。Hafiz Muhammad Fahad Noman 等人……
**所提方法**
本研究的构想起源于一个基于 DDPG 的智能 6G 网络资源分配框架,该框架从安全性和能效角度出发,涵盖频谱、发射功率和计算资源分配。流程从 6G 网络资源分配数据集开始,经过预处理、ReliefF 特征选择、基于 FCM 的网络条件聚类、网络状态表示,最终为 DDPG 演员-评论家智能体提供状态以持续作出……
**结果**
本工作提出了一种使用 DDPG 的智能 6G 资源分配框架,结合 ReliefF、FCM、安全感知评估和能效最大化,以自适应地调整频谱、功率和计算资源分配,提升吞吐量、时延、QoS、资源效率和能耗安全性。所得结果表明,通过自适应管理频谱、发射功率和……在性能、能效和资源利用率方面实现了协同改进。
**结论**
在本研究中,设计了一种面向 6G 无线网络基于 ReliefF-FCM-DDPG 的智能资源分配框架。使用 ReliefF 从网络特征中选择最合适的特征。FCM 通过模糊聚类隶属度反映网络条件。利用该网络状态表示,DDPG 智能体选择频谱分配、发射功率分配和计算资源分配的连续最优决策。QoS、安全性、能效和……
**数据可用性**
本研究中使用的数据集通过 Kaggle 仓库公开提供:https://www.kaggle.com/datasets/zara2099/6g-network-resource-allocation-dataset。数据和条件允许的情况下,可访问和下载用于研究和可重复性目的。
**利益冲突**
作者声明不存在可能影响研究、分析、结果解释或稿件撰写的利益冲突。
**作者贡献**
Abdulrhman Alkhanifer 独自负责概念化研究、设计框架、进行分析、验证结果以及撰写稿件。
**参与同意**
不适用,因为本研究不涉及人类参与者。
**发表同意**
不适用,因为本研究不涉及可识别的个人参与者或需要同意发表的个人数据。
**竞争利益**
作者声明不存在竞争利益。
**CRediT 作者贡献声明**
Abdulrhman Alkhanifer:撰写 – 审阅与编辑,撰写 – 原始稿件。
**竞争利益声明**
作者声明不存在可能影响本论文所述工作的已知的竞争财务利益或个人关系。
**致谢**
作者感谢沙特国王大学计算机与信息科学学院的计算机科学系为进行本研究所提供的学术环境和支持。
Abdulrhman Alkhanifer
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号