Learning to Slice Wi-Fi Networks: A State-Augmented Primal-Dual Approach

要約

ネットワーク スライシングは、5G/NG セルラー ネットワークの重要な機能であり、さまざまなサービス品質 (QoS) 要件を持つさまざまなサービス タイプに合わせてカスタマイズされたスライスを作成します。これにより、サービスの差別化を実現し、サービス タイプごとにサービス レベル アグリーメント (SLA) を保証できます。
。
Wi-Fi ネットワークでは、スライシングに関する事前の作業は限られており、考えられるソリューションは、異なるチャネルを異なるスライス専用にする単一のアクセス ポイント (AP) 上のマルチテナント アーキテクチャに基づいています。
このペーパーでは、QoS 要件に従って Wi-Fi ネットワークでのスライシングを可能にする、柔軟で制約のある学習フレームワークを定義します。
我々は特に、状態拡張主双対アルゴリズムを利用する教師なし学習ベースのネットワーク スライシング手法を提案します。この手法では、ニューラル ネットワーク ポリシーがオフラインでトレーニングされてラグランジュ関数を最適化し、双変数ダイナミクスが実行フェーズでオンラインで更新されます。
エルゴディックな QoS 要件を満たすスライス決定を生成するには、状態拡張が重要であることを示します。

要約(オリジナル)

Network slicing is a key feature in 5G/NG cellular networks that creates customized slices for different service types with various quality-of-service (QoS) requirements, which can achieve service differentiation and guarantee service-level agreement (SLA) for each service type. In Wi-Fi networks, there is limited prior work on slicing, and a potential solution is based on a multi-tenant architecture on a single access point (AP) that dedicates different channels to different slices. In this paper, we define a flexible, constrained learning framework to enable slicing in Wi-Fi networks subject to QoS requirements. We specifically propose an unsupervised learning-based network slicing method that leverages a state-augmented primal-dual algorithm, where a neural network policy is trained offline to optimize a Lagrangian function and the dual variable dynamics are updated online in the execution phase. We show that state augmentation is crucial for generating slicing decisions that meet the ergodic QoS requirements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google