Seleção de RICs com Alocação de Recursos na Arquitetura Open RAN usando DRL

Este trabalho propõe uma abordagem com Deep Reinforcement Learning (DRL) para otimizar a alocação de recursos para nós inteligentes em redes Open RAN. O foco está na seleção eficiente de nós near-RT-RICs considerando tipos distintos de fatias da rede. O agente DDPG decide quais nós utilizar, como alocar recursos computacionais para o processamento das tarefas nos near-RT-RICs e como alocar a taxa de transmissão para comunicação com o non-RT-RIC, respeitando restrições de latência e custo. Os resultados mostram que a abordagem minimiza o custo computacional e de comunicação atendendo aos requisitos dos serviços.