Dynamická alokace prostředků založená na strojovém učení pro služby 5G sítí

Abstract

Rychle rostoucı́ počet technologiı́ páté generace 5G vyžaduje zkoumánı́ nových strategiı́ správy sı́ťových prostředků. Datově řı́zené strojové učenı́ umožňuje přı́stupy vyvinuté k dosaženı́ výkonu s dostupnou výpočetnı́ složitostı́. Zpětnovazebnı́ učenı́ je považováno pro budoucı́ inteligentnı́ sı́tě. V této práci jsou uvažovány přı́stupy zpětnovazebnı́ho učenı́ a hlubokého zpětnovazebnı́ho učenı́ pro přidělovánı́ rádiových zdrojů v sı́ti 5G. Jsou stu-dovány čtyři algoritmy zpětnovazebnı́ho učenı́,na základě kterých se dále vyvı́jı́ konkrétnı́ design. Zanalyzována výkonnost každého vzdělávacı́ho rámce a poskytováno porovnánı́ (z hlediska průměrné odměny) mezi nimi. Hodnocenı́ prokazuje obecnou použitelnost pop-saných konceptů. Výsledky simulacı́ ukazujı́, že techniky hlubokého zpětnovazebnı́ho učenı́ předčı́ jednoduché Q učenı́.

The rapidly increasing number of 5G technologies forces an investigation of new network resource management strategies. Recently, the data-driven Machine Learning (ML) enabled approaches developed to obtain optimal performance with affordable computational complexity. Reinforcement Learning (RL) is regarded for future intelligent networks. In this thesis RL and Deep Reinforcement Learning (DRL) approaches are considered for radio resource allocation in 5G network. We study four state-of-the-art RL algorithms, based on this, the concrete RL design is further developed. We analyze the performance of each learning framework and provide comparisons (in terms of the average reward) between them. The evaluation proves the general applicability of the described concepts. Simulations results show that DRL techniques outperform the simple Q learning.