An Explainable AI Framework for Dynamic Resource Management in Vehicular Network Slicing

要約

効果的なリソース管理とネットワークスライスは、強化されたモバイルブロードバンド（EMBB）や超信頼性の低い低遅延コミュニケーション（URLLC）を含む、車両ネットワークの多様なサービス需要を満たすために不可欠です。
このペーパーでは、車両ネットワークでの動的ネットワークスライスとリソース割り当てのための説明可能なディープ補強学習（XRL）フレームワークを紹介します。
Shapleyの価値と注意メカニズムを活用する機能ベースのアプローチを統合することにより、補強学習エージェントの決定を解釈および改良し、車両通信システムの重要な信頼性の課題に対処します。
シミュレーション結果は、私たちのアプローチがリソース割り当てプロセスに関する明確でリアルタイムの洞察を提供し、純粋な注意メカニズムよりも高い解釈可能性の精度を達成することを示しています。
さらに、URLLCサービスのサービス品質（QOS）の満足度は78.0％から80.13％に増加しましたが、EMBBサービスの質は71.44％から73.21％に向上しました。

要約(オリジナル)

Effective resource management and network slicing are essential to meet the diverse service demands of vehicular networks, including Enhanced Mobile Broadband (eMBB) and Ultra-Reliable and Low-Latency Communications (URLLC). This paper introduces an Explainable Deep Reinforcement Learning (XRL) framework for dynamic network slicing and resource allocation in vehicular networks, built upon a near-real-time RAN intelligent controller. By integrating a feature-based approach that leverages Shapley values and an attention mechanism, we interpret and refine the decisions of our reinforcementlearning agents, addressing key reliability challenges in vehicular communication systems. Simulation results demonstrate that our approach provides clear, real-time insights into the resource allocation process and achieves higher interpretability precision than a pure attention mechanism. Furthermore, the Quality of Service (QoS) satisfaction for URLLC services increased from 78.0% to 80.13%, while that for eMBB services improved from 71.44% to 73.21%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google