DRL for inter-slice resource allocation in 5G networks.

Abstract

La creciente demanda de conectividad se refleja en la insondable cantidad de volúmenes de tráfico y la marcada tendencia a extender el alcance de las redes móviles a otros tipos de consumo. En función de estas necesidades, los sistemas de quinta generación (5G) de redes móviles se presentan como el nuevo paradigma de las redes de comunicación de 3GPP. Ofrecen una plétora de nuevas características, tales como nueva tecnología de acceso de radio y una amplia gama de servicios. Las redes 5G deben permitir la coexistencia de clientes con diferentes requerimientos de servicio, mientras garantiza la autonomía e independencia entre ellos. Tal escenario de simultaneidad aumenta la complejidad para la asignación de recursos, pues se debe considerar restricciones de servicio diferenciales. El concepto de Network Slicing se presenta como la herramienta clave para abordar este problema. Este implica el particionamiento de los recursos de radio en slices con el objetivo de cumplir con el nivel de servicio acordado con cada usuario. Tanto la academia como la industria han dedicado numerosos esfuerzos para resolver el problema de cómo asignar los finitos recursos entre las slices. En este trabajo, se aborda el problema de asignación de recursos entre slices mediante la incorporación de técnicas basadas en el estado del arte de Deep Reinforcement Learning. En donde se obtiene un algoritmo capaz de realizar de manera óptima la asignación de recursos. Además, se realiza un enfoque novedoso en este contexto, al incorporar a este algoritmo la capacidad de realizar configuración adaptativa de las slices a nivel de radio.