A Deep Reinforcement Learning Framework for Scalable Slice Orchestration in Beyond 5G Networks
Un cadre d'apprentissage par renforcement profond pour l'orchestration de tranches évolutives dans les réseaux au-delà de la 5G
Résumé
This Thesis introduces a flexible Reinforcement Learning queuing-based framework for dynamic slice orchestration in Beyond 5G networks, supporting multiple concurrent slices that span different technological domains and are governed by diverse end-to-end Service Level Agreements. Different (Deep) Reinforcement Learning methods (single or multi-agent) are investigated to address the state and action complexity hurdles arising in such combinatorial problems, which render the use of "vanilla" Reinforcement Learning algorithms impractical. The performance of the proposed schemes is validated through simulations under both synthetic Markovian traffic and real traffic scenarios.
Cette thèse présente un cadre flexible basé sur l'apprentissage par renforcement des files d'attente pour l'orchestration dynamique des tranches dans les réseaux Beyond 5G, prenant en charge de multiples tranches concurrentes qui couvrent différents domaines technologiques et sont régies par divers accords de niveau de service de bout en bout. Différentes méthodes d'apprentissage par renforcement profond (mono ou multi-agents) sont étudiées pour résoudre les problèmes de complexité d'état et d'action liés à ces problèmes combinatoires, qui rendent l'utilisation d'algorithmes d'apprentissage par renforcement classique impraticable. La performance des schémas proposés est validée par des simulations dans des scénarios de trafic markovien synthétique et de trafic réel.
| Origine | Version validée par le jury (STAR) |
|---|