.png){kind=icon}
返回
Adaptive Data Driven Network Slicing and Resource Blocks Assignment Using Deep Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-94895-4_40.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络管理复杂性为动态前瞻性电网环境带来了重大挑战。整合先进机器学习技术的方法论为应对这些挑战提供了机会。其中，深度强化学习（DRL）有望在主动监控网络资源的同时，分析设备行为、流量模式和网络能力。结合DDDAS范式在创建数据与测量引导的信息共生反馈环路方面的关键能力，这些方法论可能为动态资源管理开辟新途径。在本次初步研究中，我们提出了一种基于深度强化学习的自适应数据驱动网络切片框架，用于前瞻性电网。训练完成后，DRL利用实时数据动态调整网络切片容量和分配，以促进持续改进，并前瞻性地预测未来调度需求的变化。所提出的基于DDDAS的方法为智能电网的演进需求提供了资源管理的适应性。
Keyword:
Dynamic Data Driven Applications Systems (DDDAS)
Deep Reinforcement Learning
Infosymbiotic Systems
Smart Grid
Power Gris
5G and Beyond 5G
期刊
机构
引用论文
Internet of Things-Aided Smart Grid: Technologies, Architectures, Applications, Prototypes, and Future Research Directions.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A Survey on Smart Grid Communication Infrastructures: Motivations, Requirements and Challenges智能电网通信基础设施综述: 动因、需求与挑战
OAAI
OAAI分享收藏
查看更多内容