每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

车载网络切片中动态资源管理的可解释人工智能框架

Created by
  • Haebom

作者

孙浩辰、刘亦凡、Ahmed Al-Tahmeesschi、Swarna Chetty、Syed Ali Raza Zaidi、Avishek Nag、Hamed Ahmadi

大纲

本文提出了一种基于可解释深度强化学习 (XRL) 的动态网络切片和资源分配框架，以满足车载网络多样化的服务需求，包括增强移动宽带 (eMBB) 和 URLLC。该框架基于近实时 RAN 智能控制器，集成了一种基于特征的方法，利用 Shapley 值和注意力机制来解释和改进强化学习代理的决策，从而应对车载通信系统的可靠性挑战。仿真结果表明，该方法能够清晰、实时地洞察资源分配过程，并且在解释准确性方面优于纯注意力机制。此外，URLLC 服务的 QoS 满意度从 78.0% 提升至 80.13%，eMBB 服务的 QoS 满意度从 71.44% 提升至 73.21%。

Takeaways, Limitations

•
Takeaways：
◦
我们提出了通过基于 XRL 的动态网络切片和资源分配框架来改善车载网络中 eMBB 和 URLLC 服务的 QoS 的可能性。
◦
利用 Shapley 值和注意力机制的可解释模型可以实时洞察资源分配过程。
◦
比纯注意力机制实现更高的解释准确率。
•
Limitations：
◦
需要在基于模拟结果的性能评估基础上，在真实环境中进行性能验证。
◦
需要进一步研究所提出的框架的可扩展性和实时处理性能。
◦
由于QoS改进并不显著，可能需要进行额外的性能改进研究。
👍
Made with Slashpage