Intelligent Radio Resource Slicing for 6G In-Body Subnetworks

📄 arXiv: 2603.28529v1 📥 PDF

作者: Samira Abdelrahman, Hossam Farag

分类: eess.SY

发布日期: 2026-03-30

💡 一句话要点

提出基于SAC的智能无线资源切片，解决6G体内网络与eMBB共存问题

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

关键词: 6G体内网络 无线资源切片 深度强化学习 软Actor-Critic 扩展现实

📋 核心要点

  1. 6G体内网络与现有蜂窝网络共享资源时，面临动态且非凸的资源分配难题，异构服务需求和信道波动加剧了这一挑战。
  2. 论文提出基于软Actor-Critic (SAC)的智能无线资源切片策略，优化奖励函数，显式结合XR跨模态延迟对齐，兼顾IBSs和eMBB用户。
  3. 仿真结果表明，所提方法在不同网络密度下，用户体验提升12-85%，同时保证eMBB用户的目标数据速率。

📝 摘要（中文）

6G体内子网络(IBSs)是支持独立扩展现实(XR)应用的关键技术。IBSs预计将作为现有蜂窝网络的底层运行，在与其他蜂窝用户（如增强型移动宽带(eMBB)用户）共享无线资源时，会带来共存挑战。由于异构服务需求和波动的信道条件，这种资源分配问题是高度动态且本质上非凸的。本文提出了一种基于软Actor-Critic (SAC)深度强化学习算法的智能无线资源切片策略。该方法通过优化一个精细化的奖励函数来解决IBSs和eMBB用户之间的共存挑战，该奖励函数显式地结合了XR跨模态延迟对齐，以确保沉浸式体验，同时保留eMBB服务保证。在实际网络条件下进行了广泛的系统级仿真，结果表明，与基线方法相比，该方法在不同网络密度下可以将用户体验提高12-85%，同时保持eMBB用户的目标数据速率。

🔬 方法详解

问题定义：论文旨在解决6G体内子网络(IBSs)与现有增强型移动宽带(eMBB)用户在共享无线资源时产生的共存问题。现有方法难以在动态变化的网络条件下，同时满足IBSs对低延迟XR体验的需求和eMBB用户的数据速率要求，尤其是在异构服务需求和信道条件波动的情况下，资源分配问题变得高度复杂和非凸。

核心思路：论文的核心思路是利用深度强化学习(DRL)的强大优化能力，学习一个智能的无线资源切片策略。具体而言，采用Soft Actor-Critic (SAC)算法，通过最大化一个精心设计的奖励函数，在IBSs和eMBB用户之间动态地分配无线资源。奖励函数的设计关键在于平衡XR体验和eMBB服务质量，通过显式地考虑XR跨模态延迟对齐，确保沉浸式体验，同时保证eMBB用户的目标数据速率。

技术框架：整体框架包含以下几个主要模块：1) 环境建模：模拟6G体内子网络和eMBB用户的共存场景，包括信道模型、用户分布、业务需求等。2) 状态空间设计：定义能够反映当前网络状态的关键信息，例如信道质量、用户队列长度、业务类型等。3) 动作空间设计：定义资源分配的动作，例如分配给IBSs和eMBB用户的资源块数量、功率分配等。4) 奖励函数设计：设计能够引导智能体学习最优策略的奖励函数，该函数需要同时考虑XR体验和eMBB服务质量。5) SAC智能体训练：使用SAC算法训练智能体，使其能够根据当前网络状态，选择最优的资源分配动作。

关键创新：论文的关键创新在于奖励函数的设计，它显式地考虑了XR跨模态延迟对齐。传统的资源分配方法通常只关注吞吐量、延迟等指标，而忽略了XR应用的特殊需求。通过将跨模态延迟对齐纳入奖励函数，可以更好地优化XR体验。此外，采用SAC算法可以有效地处理连续动作空间，并具有较好的探索能力，能够找到更优的资源分配策略。

关键设计：奖励函数的设计是关键。它由两部分组成：一部分是与XR体验相关的奖励，例如最小化跨模态延迟；另一部分是与eMBB服务质量相关的奖励，例如保证目标数据速率。具体而言，可以使用以下形式的奖励函数：R = w1 * R_XR + w2 * R_eMBB，其中R_XR是与XR体验相关的奖励，R_eMBB是与eMBB服务质量相关的奖励，w1和w2是权重系数，用于平衡两者的重要性。SAC算法采用Actor-Critic架构，Actor网络用于生成动作，Critic网络用于评估动作的价值。Actor和Critic网络通常采用深度神经网络实现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

系统级仿真结果表明，与基线方法相比，所提出的基于SAC的智能无线资源切片方法在不同网络密度下可以将用户体验提高12-85%，同时保持eMBB用户的目标数据速率。这表明该方法能够有效地解决IBSs和eMBB用户之间的共存问题，并显著提升XR应用的体验。

🎯 应用场景

该研究成果可应用于未来的6G无线通信系统，尤其是在需要支持高质量XR体验的场景中，例如远程医疗、沉浸式游戏、虚拟现实教育等。通过智能的无线资源切片，可以有效地提升用户体验，并为各种新兴应用提供可靠的网络保障。此外，该方法也可以推广到其他类型的无线网络，例如物联网(IoT)网络，以支持各种低延迟、高可靠性的应用。

📄 摘要（原文）

6G In-body Subnetworks (IBSs) represent a key enabler for supporting standalone eXtended Reality (XR) applications. IBSs are expected to operate as an underlay to existing cellular networks, giving rise to coexistence challenges when sharing radio resources with other cellular users, such as enhanced Mobile Broadband (eMBB) users. Such resource allocation problem is highly dynamic and inherently non-convex due to heterogeneous service demands and fluctuating channel conditions. In this paper, we propose an intelligent radio resource slicing strategy based on the Soft Actor-Critic (SAC) deep reinforcement learning algorithm. The proposed SAC-based slicing method addresses the coexistence challenge between IBSs and eMBB users by optimizing a refined reward function that explicitly incorporates XR cross-modal delay alignment to ensure immersive experience while preserving eMBB service guarantees. Extensive system-level simulations are performed under realistic network conditions and the results demonstrate that the proposed method can enhance user experience by 12-85% under different network densities compared to baseline methods while maintaining the target data rate for eMBB users.