Alapfogalmak
6G O-RANネットワークにおいて、エネルギー効率を最大化しつつURLLCの遅延を最小化するための包括的なリソース割当フレームワークを提案する。
Kivonat
本論文は、6G O-RANネットワークにおけるエネルギー効率的なリソース割当の課題に取り組んでいる。従来の研究では、eMBBのスループットや URLLCの遅延最適化を個別に扱うことが多く、両者のバランスを同時に最適化することが課題となっていた。
提案するフレームワークでは、深層強化学習(DRL)ベースのリソース割当手法と、メタラーニング戦略を組み合わせることで、エネルギー効率の最大化とURLLCの遅延最小化を同時に実現する。具体的には以下の通り:
- DRLベースのリソース割当フレームワークを提案し、エネルギー効率とURLLC遅延の最適化を同時に行う。
- オンポリシーメタラーニングとオフポリシーメタラーニングを組み合わせることで、様々な伝搬環境下でのアダプティブな振る舞いを実現する。
- トラフィック分布の推定精度が、エネルギー効率に大きな影響を及ぼすことを示し、正確なトラフィック管理の重要性を強調する。
- 都市部、農村部、屋内環境などの異なる伝搬モデルに対する提案手法の性能評価を行う。
Statisztikák
eMBBユーザの1RBあたりの達成レート: re,u
n,m(t)
URLLCユーザの1RBあたりの達成レート: rur,u
n,m (t)
eMBBユーザの総合スループット: re,u
n,k(t)
URLLCユーザのエンドツーエンド遅延: λur
u (t)
システムのエネルギー効率: γk
EE(t)