[论文解读] Dynamic Virtual Resource Allocation for 5G and Beyond Network Slicing

Fei Song, Jun Li+4 more|arXiv (Cornell University)|Mar 29, 2020

Software-Defined Networks and 5G参考文献 29被引用 6

一句话总结

该论文提出了一种基于约束马尔可夫决策过程（CMDP）框架的5G及以后网络切片动态虚拟资源分配方案，以优化上行链路无线接入网（RAN）切片中的子信道分配与功率控制。通过采用基于每切片Q因子分解的近似动态规划与在线随机学习，该方案在满足延迟约束的前提下实现了较高的加权和传输速率，在仿真中优于基线方法。

ABSTRACT

The fifth generation and beyond wireless communication will support vastly heterogeneous services and use demands such as massive connection, low latency and high transmission rate. Network slicing has been envisaged as an efficient technology to meet these diverse demands. In this paper, we propose a dynamic virtual resources allocation scheme based on the radio access network (RAN) slicing for uplink communications to ensure the quality-of-service (QoS). To maximum the weighted-sum transmission rate performance under delay constraint, formulate a joint optimization problem of subchannel allocation and power control as an infinite-horizon average-reward constrained Markov decision process (CMDP) problem. Based on the equivalent Bellman equation, the optimal control policy is first derived by the value iteration algorithm. However, the optimal policy suffers from the widely known curse-of-dimensionality problem. To address this problem, the linear value function approximation (approximate dynamic programming) is adopted. Then, the subchannel allocation Q-factor is decomposed into the per-slice Q-factor. Furthermore, the Q-factor and Lagrangian multipliers are updated by the use of an online stochastic learning algorithm. Finally, simulation results reveal that the proposed algorithm can meet the delay requirements and improve the user transmission rate compared with baseline schemes.

研究动机与目标

• 为解决在5G及以后网络切片中动态分配虚拟资源以满足多样化服务质量（QoS）要求的挑战。
• 在严格延迟约束下优化eMBB、URLLC和mMTC等异构服务的上行链路传输速率。
• 降低在动态资源分配中固有的高维CMDP问题求解的计算复杂度。
• 通过在线学习与值函数逼近，实现子信道与功率分配的高效、实时自适应。

提出的方法

• 将联合子信道分配与功率控制问题建模为无限时域平均奖励约束马尔可夫决策过程（CMDP）。
• 利用等价贝尔曼方程与值迭代算法推导最优控制策略。
• 应用线性值函数逼近（近似动态规划）以缓解维数灾难问题。
• 将子信道分配Q因子分解为每切片Q因子，以降低计算复杂度。
• 采用在线随机学习算法，实时迭代更新Q因子与拉格朗日乘子。
• 集成信道状态信息（CSI）、队列状态信息（QSI）与能量状态信息（ESI），实现自适应资源控制。

实验结果

研究问题

• RQ1 如何在延迟约束下优化RAN切片中的动态虚拟资源分配，以最大化加权和传输速率？
• RQ2 在异构5G服务中，集成CSI、QSI与ESI对资源分配性能有何影响？
• RQ3 如何在不牺牲性能的前提下降低求解CMDP问题的计算复杂度？
• RQ4 与静态或启发式基线相比，所提出的在线学习算法在收敛性与QoS提升方面达到何种程度？

主要发现

• 所提方案在加权和传输速率方面优于基线1（等资源分配）与基线2（仅CSI与QSI），尤其在高负载场景下性能提升显著。
• 随着电池容量增加，各切片的传输速率均提升，且所提方案在能量受限条件下表现优于基线。
• 当平均分组到达率超过3时，mMTC切片的丢包概率迅速上升，但所提方案相比基线能有效缓解该现象。
• 在线随机学习算法收敛迅速——在80次迭代时性能已接近收敛值，表明其具备实际的实时应用潜力。
• 该方案渐近逼近理论上限，仿真结果表明其性能接近最优。
• 将Q因子分解为每切片组件能有效降低计算复杂度，同时保持高性能。