
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于混合数字孪生强化学习的网络切片与资源分配优化框架
《Scientific Reports》:Hybrid digital twin and reinforcement framework for intelligent network slicing and dynamic resource allocation in 5G edge computing environments
【字体: 大 中 小 】 时间:2026年09月19日 来源:Scientific Reports 4.9
编辑推荐:
摘要在快速演进的通信网络世界中,网络需求和流量不断增加,这使得高效的网络切片和资源分配技术成为必备要求。现有的网络切片和资源分配模型存在算法效率不足、泛化能力有限以及缺乏实际部署等问题。为克服这些挑战,本研究提出了一种混合数字孪生强化学习框架,结合灰狼哈里斯鹰优化算法(DRL
在快速演进的通信网络世界中,网络需求和流量不断增加,这使得高效的网络切片和资源分配技术成为必备要求。现有的网络切片和资源分配模型存在算法效率不足、泛化能力有限以及缺乏实际部署等问题。为克服这些挑战,本研究提出了一种混合数字孪生强化学习框架,结合灰狼哈里斯鹰优化算法(DRL_GWHHO),以实现高效的资源分配。在初始阶段,实时数据被采集并转发至预处理模块。预处理后的数据随后被混合多头注意力视觉 Transformer(MHAV)模型用于提取网络特征。所提取的特征作为输入提供给 HDRL 模型,以学习网络策略并获得优化的网络状态,这些状态随后被利用图 Transformer Kolmogorov-Arnold 网络(GTKAN)构建的智能网络切片模块进行处理。模型生成的最优网络切片通过时序融合 Transformer-混合专家模型(TFT-MoE)用于动态资源分配。最终,网络切片和资源经过优化后转发至可解释人工智能(XAI)模块,以确保可解释性。实验评估结果显示,该模型的准确率为 98.6%,带宽利用率为 97.3%,网络可靠率为 98.2%。所提出的模型在准确率、数据包传输率、资源可靠性和带宽利用率方面表现更优,且延迟较低,适用于实际应用场景。