在5G网络中使用混合RL-CNN模型进行动态资源配置,以优化延迟和服务质量
Muthulakshmi Karuppiyan1, Hariharan Subramani2, Shanthy Kandasamy Raju3
1Department of Electronics and Communication Engineering, Sri Krishna College of Technology, Coimbatore, India.
Network (Bristol, England)
|April 10, 2024
概括
本研究介绍了使用RL-CNN (DRARLCNN) 优化5G网络资源配置的动态资源分配器. 这种新型模型提高了效率,并最大限度地减少了动态环境中的延迟,为5G资源管理树立了新的基准.
科学领域:
- 电信工程 电信工程 电信工程
- 机器学习应用 机器学习应用
- 网络资源管理 网络资源管理
背景情况:
- 目前的5G资源分配策略在动态环境中难以实现实时适应性和可扩展性.
- 有效的资源管理对于快速部署5G网络至关重要.
研究的目的:
- 引入一种新的机器学习模型,DRARLCNN,用于动态的5G资源配置.
- 在5G网络中,优化资源配置,最大限度地减少延迟,并最大限度地提高服务质量 (QoS).
主要方法:
- 开发了一个混合模型,DRARLCNN,集成卷积神经网络 (CNN) 用于特征提取和强化学习 (RL) 用于决策.
- 利用了 "5G资源分配数据集",并使用 Python,TensorFlow 和 OpenAI Gym 模拟了一个 5G 环境.
主要成果:
- 与现有方法相比,DRARLCNN在分配效率和延迟方面表现优越.
- 获得了0.517的R平方得分,0.035的平均平方误差 (MSE) 和0.188.18的根平均平方误差 (RMSE).
结论:
- 该DRARLCNN模型有效地解决了当前5G资源分配策略的局限性.
- 在5G网络中,DRARLCNN为动态资源配置设定了新的基准,为未来的进步铺平了道路.
