Shared-resource Generative Adversarial Network (GAN) training for 5g Ultra Reliable Low Latency Communication (URLLC) deep reinforcement learning augmentation

Résumé

Récemment, l’apprentissage par renforcement profond (DRL) a démontré sa capacité en résolvant des problèmes hautement complexes en temps réel. Cependant, le DRL rencontre des difficultés en gérant les événements rares dans les communications sans fil, principalement parce que les agents DRL manquent d’expérience avec de telles situations pendant leur entraînement. Ce défi est particulièrement crucial pour les communications ultra-fiables et à faible latence (URLLC) de la 5G, où les événements rares peuvent diminuer significativement la fiabilité de communication. Pour résoudre ce problème, je me suis concentré sur l’utilisation de techniques d’augmentation de données, surtout les réseaux antagonistes génératifs (GANs), pour permettre aux agents DRL d’apprendre à gérer les événements rares en les exposant à une gamme diversifiée de scénarios. Cependant, l’entraînement des GANs dans les réseaux 5G avec des ressources limitées, comme les réseaux ultra-denses (UDNs), est un défi difficile puisque ces réseaux n’ont pas suffisamment de puissance de calcul pour traiter des données de haute dimension. Malgré son importance, il n’y avait pas encore beaucoup de travaux antécédents portant sur l’entraînement efficace des GANs dans des environnements à ressources limitées. Dans ce mémoire, je conçois une nouvelle architecture et présente un problème d’optimisation pour entraîner des GANs dans des réseaux 5G à ressources limitées. L’architecture proposée partage efficacement des ressources informatiques et de bande passante limitées entre les environnements de cloud et de périphérie pour entraîner plusieurs GANs simultanément. Ensuite, les données augmentées provenant des GANs sont combinées avec des données réelles pour entraîner des modèles DRL. Mon modèle mathématique appelé OGAN, conçu pour optimiser l’allocation des ressources de calcul et de communication pour entraîner des GANs, afin d’améliorer la fiabilité du DRL, un aspect critique des URLLC. Puisque OGAN est un problème mixte en nombres entiers non convexe difficile, je l’approximons en utilisant l’approche de programmation par différence de fonctions convexes et le résous avec un algorithme convexe-concave. Enfin, je réalise des expérimentations extensibles pour évaluer sa performance par rapport à deux méthodes de référence.

Date	27 août 2024
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Kim Khoa Nguyen (Directeur(-trice))