A Deep Reinforcement Learning Framework for Scalable Slice Orchestration in Beyond 5G Networks - TEL - Thèses en ligne
Thèse Année : 2024

A Deep Reinforcement Learning Framework for Scalable Slice Orchestration in Beyond 5G Networks

Un cadre d'apprentissage par renforcement profond pour l'orchestration de tranches évolutives dans les réseaux au-delà de la 5G

Pavlos Doanis
  • Fonction : Auteur
  • PersonId : 1432474
  • IdRef : 279415915

Résumé

This Thesis introduces a flexible Reinforcement Learning queuing-based framework for dynamic slice orchestration in Beyond 5G networks, supporting multiple concurrent slices that span different technological domains and are governed by diverse end-to-end Service Level Agreements. Different (Deep) Reinforcement Learning methods (single or multi-agent) are investigated to address the state and action complexity hurdles arising in such combinatorial problems, which render the use of "vanilla" Reinforcement Learning algorithms impractical. The performance of the proposed schemes is validated through simulations under both synthetic Markovian traffic and real traffic scenarios.
Cette thèse présente un cadre flexible basé sur l'apprentissage par renforcement des files d'attente pour l'orchestration dynamique des tranches dans les réseaux Beyond 5G, prenant en charge de multiples tranches concurrentes qui couvrent différents domaines technologiques et sont régies par divers accords de niveau de service de bout en bout. Différentes méthodes d'apprentissage par renforcement profond (mono ou multi-agents) sont étudiées pour résoudre les problèmes de complexité d'état et d'action liés à ces problèmes combinatoires, qui rendent l'utilisation d'algorithmes d'apprentissage par renforcement classique impraticable. La performance des schémas proposés est validée par des simulations dans des scénarios de trafic markovien synthétique et de trafic réel.
Fichier principal
Vignette du fichier
140714_DOANIS_2024_archivage.pdf (5.05 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04753037 , version 1 (25-10-2024)

Identifiants

  • HAL Id : tel-04753037 , version 1

Citer

Pavlos Doanis. A Deep Reinforcement Learning Framework for Scalable Slice Orchestration in Beyond 5G Networks. Computer Aided Engineering. Sorbonne Université, 2024. English. ⟨NNT : 2024SORUS100⟩. ⟨tel-04753037⟩
0 Consultations
0 Téléchargements

Partager

More