AWaRe-SAC: Proactive Slice Admission Control under Weather-Induced Capacity Uncertainty

📄 arXiv: 2601.05978v1 📥 PDF

作者: Dror Jacoby, Yanzhi Li, Shuyue Yu, Nicola Di Cicco, Hagit Messer, Gil Zussman, Igor Kadota

分类: cs.NI, cs.LG

发布日期: 2026-01-09

💡 一句话要点

提出AWaRe-SAC框架，解决毫米波x-haul网络中天气不确定性下的切片准入控制问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 毫米波网络 切片准入控制 深度学习预测 Q学习 主动资源管理

📋 核心要点

  1. 毫米波网络易受天气影响，导致容量波动，传统被动式准入控制难以保证服务质量和优化收益。
  2. 提出AWaRe-SAC框架，结合深度学习预测未来网络状态，并使用Q学习进行主动切片准入控制。
  3. 实验结果表明，该方案在动态链路条件下，长期平均收益比传统方法提高2-3倍，具有良好的可扩展性和弹性。

📝 摘要（中文）

随着新兴应用对更高吞吐量和更低延迟的需求，运营商越来越多地在x-haul传输网络（包括前传、中传和回传）中部署毫米波(mmWave)链路。然而，毫米波频率对天气相关衰减（特别是雨衰）的固有敏感性，使得维持严格的服务质量(QoS)要求变得复杂。这带来了一个关键挑战：在未来网络容量不确定的情况下做出准入决策。为了解决这个问题，我们开发了一个主动的切片准入控制框架，用于受雨衰影响的毫米波x-haul网络。我们的目标是提高网络性能，确保QoS，并优化收入，从而超越标准被动方法的局限性。所提出的框架集成了未来网络状况的深度学习预测器和基于主动Q学习的切片准入控制机制。我们使用来自密集城市区域毫米波x-haul部署的真实数据验证了我们的解决方案，其中包含链路容量衰减和动态切片需求的真实模型。广泛的评估表明，我们的主动解决方案在动态链路条件下实现了2-3倍的长期平均收入，为自适应准入控制提供了一个可扩展且有弹性的框架。

🔬 方法详解

问题定义：论文旨在解决毫米波x-haul网络中，由于天气（特别是降雨）引起链路容量不确定性，导致传统被动式切片准入控制策略无法有效保证服务质量（QoS）和最大化运营商收益的问题。现有方法通常是根据当前网络状态进行决策，无法应对未来容量的变化，导致资源利用率低和QoS违约。

核心思路：论文的核心思路是采用主动式准入控制，即在做出准入决策时，不仅考虑当前的网络状态，还预测未来的网络状态。通过预测未来容量，可以提前预留资源，避免因突发降雨导致容量下降而影响已接入切片的QoS，从而提高资源利用率和运营商收益。

技术框架：AWaRe-SAC框架主要包含两个模块：深度学习预测器和Q学习准入控制器。深度学习预测器负责预测未来一段时间内的链路容量，输入是历史天气数据和网络状态数据。Q学习准入控制器根据预测的未来容量和当前网络状态，决定是否接受新的切片请求。整体流程是：首先，深度学习预测器预测未来链路容量；然后，Q学习准入控制器根据预测结果和当前网络状态，做出准入决策；最后，根据实际网络状态更新Q函数，不断优化准入策略。

关键创新：该论文的关键创新在于将深度学习预测和Q学习准入控制相结合，实现了一种主动式的切片准入控制框架。与传统的被动式方法相比，该框架能够提前预测网络容量的变化，从而做出更明智的准入决策。此外，使用Q学习可以自适应地学习最优的准入策略，无需人工干预。

关键设计：深度学习预测器使用了循环神经网络（RNN）或长短期记忆网络（LSTM）来处理时间序列数据，预测未来链路容量。Q学习准入控制器使用ε-greedy策略进行探索和利用，奖励函数的设计考虑了收益、QoS违约和资源利用率等因素。状态空间包括当前网络状态（如已接入切片的数量、链路容量利用率）和预测的未来链路容量。动作空间包括接受或拒绝新的切片请求。

📊 实验亮点

实验结果表明，AWaRe-SAC框架在动态链路条件下，相比于传统的被动式准入控制方法，能够实现2-3倍的长期平均收益提升。该框架能够有效应对降雨等天气因素引起的链路容量波动，保证已接入切片的QoS，并提高资源利用率。实验使用了真实毫米波x-haul部署数据，验证了该方案的实际可行性和有效性。

🎯 应用场景

该研究成果可应用于各种需要高可靠性和低延迟的毫米波通信场景，例如：5G/6G x-haul网络、工业自动化、智慧城市、远程医疗等。通过主动预测网络容量并进行智能资源分配，可以有效提升网络的服务质量和用户体验，为新兴应用提供可靠的网络保障，并提高运营商的收益。

📄 摘要（原文）

As emerging applications demand higher throughput and lower latencies, operators are increasingly deploying millimeter-wave (mmWave) links within x-haul transport networks, spanning fronthaul, midhaul, and backhaul segments. However, the inherent susceptibility of mmWave frequencies to weather-related attenuation, particularly rain fading, complicates the maintenance of stringent Quality of Service (QoS) requirements. This creates a critical challenge: making admission decisions under uncertainty regarding future network capacity. To address this, we develop a proactive slice admission control framework for mmWave x-haul networks subject to rain-induced fluctuations. Our objective is to improve network performance, ensure QoS, and optimize revenue, thereby surpassing the limitations of standard reactive approaches. The proposed framework integrates a deep learning predictor of future network conditions with a proactive Q-learning-based slice admission control mechanism. We validate our solution using real-world data from a mmWave x-haul deployment in a dense urban area, incorporating realistic models of link capacity attenuation and dynamic slice demands. Extensive evaluations demonstrate that our proactive solution achieves 2-3x higher long-term average revenue under dynamic link conditions, providing a scalable and resilient framework for adaptive admission control.