基于深度强化学习的雾无线接入网内容分发资源分配

随着无线通信技术的快速发展，新兴的多媒体应用使移动互联网流量呈爆炸式增长，同时对下一代无线网络提出了更高的服务要求。因此，如何通过有效分配异构网络资源来实现低延迟内容传输，以改善网络服务质量和最终用户体验，是当前互联网亟待解决的关键问题。本文提出了一种基于深度强化学习（DRL）的资源分配方案，以改善分层雾无线接入网（FRAN）中的内容分发。我们将最优资源分配问题表述为最小延迟模型，其中部署了网络内缓存，并且移动用户的相同内容请求可以在每个基站的队列中聚合。此外，为了应对不断增加的用户请求并克服FRAN的容量限制，我们的模型中采用了一种云–边缘协作卸载方案，考虑了缓存、计算和通信资源的综合分配以及网络内缓存与路由之间的联合优化，以促进资源利用率和内容传递。在我们的解决方案中，设计了一种新的DRL策略，以根据请求历史信息和系统中的可用网络资源，为到达的内容请求做出跨层协作缓存和路由决策。仿真结果表明，我们提出的模型在FRAN中比现有的云–边缘协作方案表现得更好。