基于CVaR约束的优化方法在5G RAN切片中的风险感知型动态资源分配应用

《IEEE Communications Magazine》：CVaR-Constrained Optimisation for Risk-Aware Dynamic Resource Allocation in 5G RAN Slicing

　　

摘要：

在5G无线接入网络中，针对异构网络切片进行动态资源分配时，需要在时变且突发性的流量条件下，平衡相互冲突的服务质量要求。传统方法依赖基于百分位的延迟指标，如第95百分位延迟（p95），来评估超可靠低延迟通信（URLLC）的性能。虽然p95能够反映典型的最坏情况延迟，但它无法限制极端延迟事件的严重程度，因为有一小部分数据包会面临异常高的延迟。为解决这一缺陷，条件风险价值（CVaR）通过量化最糟糕的α%数据包的预期延迟，为尾部风险提供了合理的度量标准。本文提出了一种基于CVaR约束的近端策略优化（CVaR-PPO）框架，将该多切片资源分配问题建模为带约束的马尔可夫决策过程（CMDP），其中CVaR0.05为URLLC切片设置了严格的尾部延迟约束。该框架采用狄利克雷参数化的策略来生成分配权重，从而确保其满足单纯形约束；同时，自适应拉格朗日对偶变量可在在线学习过程中动态调整尾部风险违规情况。该框架通过实时闭环协同仿真进行了验证，在仿真中，PPO智能体通过TCP套接字接口与ns-3.45 5G NR仿真器进行在线交互，从而能够根据四个服务切片的动态网络反馈持续更新策略。仿真结果表明，所提出的方法在所有评估方法中实现了最高的整体服务级别协议（SLA）满足率，而且它是唯一一种能够在满足URLLC、车联网（V2X）以及增强型移动宽带（eMBB）切片级SLA要求的同时，还能保持符合SLA要求的海量机器类型通信（mMTC）性能的方法。此外，该框架还将CVaR违规率降低了多达73个百分点……

查看更多