مدیریت هوشمند و توزیع یافته ترافیک در شبکه های SAGIN مبتنی بر یادگیری تقویتی:عمیق مرور نظام مند یافته ها چالش ها و افق های پیش رو

شبکه های یکپارچه فضایی-هوایی-زمینی (SAGIN) به عنوان زیرساخت حیاتی ارتباطات نسل ششم با چالش های بنیادین در مدیریت ترافیک نظیر پویایی شدید، توپولوژی ناهمگونی منابع و محدودیت های توان مصرفی مواجه هستند. روش های بهینه سازی کلاسیک به دلیل پیچیدگی محاسباتی بالا و عدم انطباق پذیری آنی کارایی لازم را در این محیط ها از دست داده اند. این پژوهش مروری جامع و فنی بر راهکارهای نوین مدیریت منابع مبتنی بر یادگیری تقویتی عمیق چند عامله (MADRL) ارائه می دهد. در این راسته با فرمول بندی مسئله به صورت فرآیند تصمیم گیری مارکوف با مشاهده پذیری جزئی، توزیع شده گذار از رویکردهای متمرکز به معماری های ترکیبی آموزش متمرکز و اجرای توزیع شده (CTDE) جهت غلبه بر ناپایداری محیط تحلیل می گردد. تمرکز ویژه این مقاله بر راهکارهای مقابله با محدودیت های سخت افزاری (SWaP) در نودهای لبه است؛ بدین منظور نقش شبکه های عصبی گراف در فشرده سازی فضای حالت و کاهش سربار محاسباتی تبیین می شود، همچنین استراتژی های مهندسی پاداش نظیر توان عملیاتی با محدودیت تاخیر برای تضمین کیفیت سرویس بررسی شده اند. نتایج این مطالعه شکاف عمیق میان مدل های شبیه سازی شده و استقرار فیزیکی را آشکار ساخته و نشان می دهد که توسعه آتی این حوزه نیازمند گذار به سمت مدل های سبک (TinyML)، نظریه بازی های میدان میانگین برای مقیاس پذیری در ابر منظومه ها و رویکردهای یادگیری ایمن جهت تضمین پایداری عملیاتی است.

کلیدواژه ها:

شبکه های یکپارچه فضایی-هوایی-زمینی ، SAGIN ، یادگیری تقویتی عمیق چند عاملی ، تخصیص منابع ، توزیع شده