Slicing de Rede Baseado em Aprendizado Profundo por Reforço para Além do 5G

Com o advento da era do 5G, o slicing de rede recebeu uma grande atenção como um meio de suportar uma variedade de serviços sem fio de maneira flexível. O slicing de rede é uma técnica para dividir uma única rede de recursos físicos em múltiplas fatias que suportam serviços independentes. Em sistemas além do 5G (B5G), o principal objetivo do slicing de rede é alocar os blocos de recursos físicos (RBs) de forma que os requisitos de qualidade de serviço (QoS) dos serviços eMBB, URLLC e mMTC sejam atendidos. Como o objetivo de cada categoria de serviço é claramente distinto e a carga computacional causada pelo aumento do número de slots de tempo é enorme, é, em geral, muito difícil alocar os RBs de forma adequada. Neste artigo, propomos uma técnica de slicing de rede baseada em aprendizado por reforço profundo (DRL) para encontrar a política de alocação de recursos que maximiza o rendimento a longo prazo enquanto satisfaz os requisitos de QoS nos sistemas B5G. O ingrediente chave da técnica proposta é reduzir o espaço de ação eliminando ações indesejáveis que não podem satisfazer os requisitos de QoS. Resultados numéricos demonstram que a técnica proposta é eficaz em maximizar o rendimento a longo prazo e lidar com a coexistência de casos de uso nos ambientes B5G.