基于机器学习的动态双工技术在多种流量场景中的应用:一种深度强化学习方法
《IEEE Transactions on Machine Learning in Communications and Networking》:ML-Enabled Dynamic Duplexing for Diverse Traffic Scenarios: A Deep Reinforcement Learning Approach
【字体:
大
中
小
】
时间:2026年06月16日
来源:IEEE Transactions on Machine Learning in Communications and Networking
编辑推荐:
摘要:在5G-Advanced及即将推出的6G网络中,出现了诸如扩展现实(XR)这类具有不同需求的各种流量类型,这就需要更智能的双工策略。子带全双工(SBFD)能够在未配对的频谱上同时实现上行链路(UL)和下行链路(DL)的传输,从而提供更频繁的上行传输机会。尽管SBFD在提升上
摘要:
在5G-Advanced及即将推出的6G网络中,出现了诸如扩展现实(XR)这类具有不同需求的各种流量类型,这就需要更智能的双工策略。子带全双工(SBFD)能够在未配对的频谱上同时实现上行链路(UL)和下行链路(DL)的传输,从而提供更频繁的上行传输机会。尽管SBFD在提升上行性能的同时不会影响下行性能,但在动态流量条件下,静态的无线帧配置本质上并非最优选择。在这种情况下,就需要采用动态的无线帧配置来适应不同的流量需求和服务要求,从而充分发挥SBFD的优势。本文提出了一种基于软演员-评论家(SAC)强化学习算法的机器学习驱动型动态无线帧选择框架,该框架还采用了两步自举机制。通过在不同流量负荷和数据包大小的情况下训练自举通用模型,可确保其具备良好的可扩展性和稳定性。在密集城市环境中的系统级仿真结果表明,这种自举通用模型不仅性能良好,还能适应未知的流量状况。与传统的静态时分双工(TDD)方案相比,所提出的方案在处理大数据包的FTP3流量时,上行容量可提升高达268%,而在处理小数据包时则可提升195%。对于XR服务而言,这种基于机器学习的解决方案可使上行容量提升25%,证明了其在支持对延迟敏感的流量场景方面的有效性。仿真结果还表明,SBFD能够为边缘用户提供足够的吞吐量,从而让XR用户获得较高的满意度。
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