Использование обучения с подкреплением для снижения энергопотребления сверхплотных сетей с учетом требований вариантов использования 5G
Using Reinforcement Learning to Reduce Energy Consumption of Ultra-Dense Networks With 5G Use Cases Requirements
2023-01-01
SCID: 54.1/df8cpqdn
Discuss with AI
сверхплотные сети 5GSARSAрежимы сна базовых станцийэнергоэффективностьобучение с подкреплением
Figures from the paper
Abstract (AI)
В мобильных сетях сверхплотные сети (UDN) 5G получили распространение, поскольку они эффективно повышают пропускную способность сети за счет расщепления сот и уплотнения сети. Базовая станция (BS) представляет собой стационарный приемопередатчик, являющийся основной точкой связи для одного или нескольких беспроводных мобильных клиентских устройств. Поскольку UDN развертываются с высокой плотностью, число BS и линий связи велико, что вызывает обеспокоенность в отношении управления ресурсами и энергоэффективности, поскольку на BS приходится значительная доля общего энергопотребления сотовой сети. Ожидается, что мобильные сети следующего поколения 6G будут включать такие технологии, как искусственный интеллект как услуга, и будут ориентированы на повышение энергоэффективности. Машинное обучение позволяет оптимизировать энергопотребление посредством интеллектуального управления спящим, неактивным и активным состояниями сетевых элементов. Обучение с подкреплением обеспечивает формирование политик, позволяющих с помощью методов перевода в спящий режим постепенно деактивировать или активировать компоненты BS и снижать энергопотребление базовых станций. В данной работе предлагается метод управления спящим режимом на основе алгоритма State-Action-Reward-State-Action (SARSA), который позволяет использовать специальные метрики для определения наилучшего компромисса между снижением энергопотребления и ограничениями качества обслуживания (Quality of Service, QoS). Результаты моделирования показывают, что в зависимости от целевого варианта использования 5G, в сценариях с низкой нагрузкой, когда снижению энергопотребления отдается приоритет по сравнению с QoS, можно достичь экономии энергии до 80% при задержке 50 мс, 75% при задержках 20 и 10 мс и 20% при задержке 1 мс. Если приоритет отдается QoS, экономия энергии достигает максимум 5% при минимальном влиянии на задержку.
Key Findings
1
Предложен метод управления режимами сна на основе SARSA, оптимизирующий активацию и деактивацию компонентов базовых станций в сверхплотных сетях 5G.
2
Достижимое энергосбережение существенно зависит от целевого сценария 5G и его требований к задержке.
3
Метод явно балансирует сокращение энергопотребления и ограничения качества обслуживания с использованием метрик, специфичных для приложения.
4
При низкой нагрузке энергосбережение достигает 80% для задержки 50 мс, 75% для задержек 20 и 10 мс и 20% для задержки 1 мс, если приоритетом является снижение энергопотребления.
5
При приоритете качества обслуживания метод обеспечивает до 5% энергосбережения при минимальном влиянии на задержку.
Research Object
сверхплотные сотовые сети 5G и их базовые станции
Research Subject
управление режимом сна на основе обучения с подкреплением для снижения энергопотребления базовых станций при балансировании между экономией энергии и ограничениями качества обслуживания и задержки
Publication Details
Publication Date
2023-01-01
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest