RAN功能布局黑盒优化方法比较:FMA与BODi在有限数据下的性能突破

《IEICE Communications Express》:Comparative evaluation of black-box optimization methods for RAN function placement problem

【字体: 大 中 小 】 时间:2025年12月17日 来源:IEICE Communications Express 0.3

编辑推荐:

  本文针对5G网络中RAN切片动态布局优化难题,比较了深度强化学习(Ape-X)与两种黑盒优化方法(FMA、BODi)在RAN功能布局(RFP)控制问题中的性能。研究表明,在训练数据有限时,基于因子分解机的退火算法(FMA)可实现更高QoS满意度(QSR),而Ape-X在充足数据下决策速度更快。该研究为动态组合优化问题提供了数据效率与实时性的权衡方案。

  
随着5G网络技术的快速发展,如何满足多样化服务的差异化服务质量(QoS)需求成为行业焦点。无线接入网(RAN)切片技术通过虚拟化网络功能并动态调整其布局位置,为实现网络资源灵活分配提供了可能。然而,传统的深度强化学习(DRL)方法如Ape-X虽然在该领域展现出潜力,却需要大量训练数据和交互过程,这在实际部署中可能因试错过程影响用户体验而难以落地。
针对这一挑战,研究人员将目光投向了黑盒优化方法。这类方法仅通过输入输出评估即可优化目标函数,特别适合数据有限的组合优化场景。本研究首次将两种先进的黑盒优化方法——基于因子分解机的退火算法(FMA)和基于字典的贝叶斯优化(BODi)应用于RFP控制问题,并与DRL方法Ape-X进行了系统性对比。
研究团队构建了包含7个基站和6种服务的仿真环境,每种服务有不同的吞吐量和时延要求。RAN功能可分为集中式单元(CU)、分布式单元(DU)和无线单元(RU)三类,对应三种典型布局方案:集中式RAN(C-RAN)、分离式RAN(S-RAN)和分布式RAN(D-RAN)。优化目标是在资源约束下,通过动态选择各服务在各基站的布局方案,最大化整体QoS满意度比率(QSR)。
关键技术方法包括:1)使用因子分解机(FM)构建二次代理模型,结合退火算法搜索最优解的FMA方法;2)通过汉明距离嵌入字典将组合输入映射到连续空间的BODi方法;3)采用优先经验回放的分布式DRL方法Ape-X作为基线。实验采用滑动窗口策略(300样本)处理环境非平稳性,使用OpenJij的模拟退火和Fixstars Amplify AE量子退火器进行求解。
优化性能比较
第20时间步后的结果显示,经过300轮训练的Ape-X模型获得最高平均QSR(0.945),而FMA(Fixstars Amplify AE)在训练数据有限(40轮)时比Ape-X提升1.2%。第300时间步后,FMA(Fixstars Amplify AE)以约0.8%的优势超越Ape-X(300轮),表明黑盒优化方法在长期运行中具有竞争优势。BODi虽随时间逐步改进,但性能始终低于FMA。
QSR动态变化
时间序列分析显示,Ape-X在初期因预训练优势表现突出,但100时间步后FMA逐渐反超。在部分随机种子中,FMA初期性能较低但随数据积累逐步提升,最终与Ape-X持平。这表明黑盒优化方法特别是FMA,能通过在线学习适应环境变化,在数据积累过程中持续改进性能。
执行时间分析
Ape-X因仅需推理而决策速度最快(0.265秒/步),但300轮预训练需213分钟。FMA(模拟退火:23.7秒/步;Fixstars Amplify AE:25.5秒/步)和BODi(3.33秒/步)因需持续更新代理模型而计算成本较高,但免去了预训练需求。
本研究通过系统对比三种优化方法在RFP控制问题中的表现,揭示了数据可用性与决策速度之间的重要权衡关系。FMA在黑盒优化方法中表现最优,尤其在训练数据有限时显著提升QoS满意度,为实际网络部署提供了有价值的选择依据。这些方法可推广至其他动态组合优化问题,为5G及未来网络智能化管理提供了新思路。论文发表于《IEICE Communications Express》,为网络管理领域提供了重要的方法论参考。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号