Optimizing Wireless Resource Management and Synchronization in Digital Twin Networks

要約

この論文では、物理ネットワークとそのデジタルネットワークツイン（DNT）の間の正確な同期を調査します。これは、物理ネットワークの仮想表現として機能します。
考慮されたネットワークには、限られたスペクトルリソースを割り当ててユーザーのセットにサービスを提供すると同時に、DNTを生成するために部分的に観察された物理ネットワーク情報をクラウドサーバーに送信すると、ベースステーション（BSS）のセットが含まれています。
DNTはその履歴ステータスに基づいて物理ネットワークのステータスを予測できるため、BSSは各タイムスロットで物理ネットワーク情報を送信する必要がない場合があり、ユーザーにサービスを提供するためのスペクトルリソースを節約できるようにします。
ただし、DNTが大きな期間にわたってBSSの物理ネットワーク情報を受信しない場合、物理ネットワークを表す際のDNTの精度は低下する可能性があります。
この目的のために、各BSは、DNTを更新するために物理ネットワーク情報をクラウドサーバーにいつ送信するかを決定すると同時に、DNT同期とユーザーへのサービスの両方のスペクトルリソース割り当てポリシーを決定する必要があります。
このリソース割り当てタスクを最適化問題として策定し、物理ネットワークとDNT間の非同期化を最小限に抑えながら、すべてのユーザーの総データレートを最大化することを目指しています。
この問題に対処するために、Grusと値分解ネットワーク（VDN）に基づいた方法を提案します。
シミュレーション結果は、GRUとVDNベースのアルゴリズムが、GRUと独立Q学習を組み合わせたベースラインメソッドと比較して、DNTと物理ネットワークのステータスの類似性を最大28.96％改善することを示しています。

要約(オリジナル)

In this paper, we investigate an accurate synchronization between a physical network and its digital network twin (DNT), which serves as a virtual representation of the physical network. The considered network includes a set of base stations (BSs) that must allocate its limited spectrum resources to serve a set of users while also transmitting its partially observed physical network information to a cloud server to generate the DNT. Since the DNT can predict the physical network status based on its historical status, the BSs may not need to send their physical network information at each time slot, allowing them to conserve spectrum resources to serve the users. However, if the DNT does not receive the physical network information of the BSs over a large time period, the DNT’s accuracy in representing the physical network may degrade. To this end, each BS must decide when to send the physical network information to the cloud server to update the DNT, while also determining the spectrum resource allocation policy for both DNT synchronization and serving the users. We formulate this resource allocation task as an optimization problem, aiming to maximize the total data rate of all users while minimizing the asynchronization between the physical network and the DNT. To address this problem, we propose a method based on the GRUs and the value decomposition network (VDN). Simulation results show that our GRU and VDN based algorithm improves the weighted sum of data rates and the similarity between the status of the DNT and the physical network by up to 28.96%, compared to a baseline method combining GRU with the independent Q learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google