Incumbent wireless technologies for futuristic fifth generation (5G) and beyond 5G (B5G) networks, such as IEEE 802.11 ax (WiFi), are vital to provide ubiquitous ultra-reliable and low-latency communication services with massively connected devices. Amalgamating WiFi networks with 5G/B5G networks has attracted strong researcher interest over the past two decades, because over 70 percent of mobile data traffic is generated by WiFi devices. However, WiFi channel resource scarcity for 5G/B5G is becoming ever more critical. One current problem regarding channel resource allocation is channel collision handling due to increased user densities. Reinforcement learning (RL) algorithms have recently helped develop prominent behaviorist learning techniques for resource allocation in 5G/B5G networks. An agent optimizes its behavior in an RL-based algorithm based on reward and accumulated value. However, densely deployed WiFi environments are distributed and dynamic, with frequent changes. Thus, relying on individual local estimations leads to higher error variance. Therefore, this article proposes a federated RL-based channel resource allocation framework for 5G/B5G networks, and suggests collaborating learning estimates for faster learning convergence. Experimental results verify that the proposed approach optimizes WiFi performance in terms of throughput by collaborative channel access parameter selection. This study also highlights six potential applications for the proposed framework.

中文翻译：

---

超越 5G 网络中现有技术的联合强化学习框架

用于未来第五代 (5G) 和超越 5G (B5G) 网络的现有无线技术，例如 IEEE 802.11 ax (WiFi)，对于通过大规模连接的设备提供无处不在的超可靠和低延迟通信服务至关重要。在过去的 20 年中，将 WiFi 网络与 5G/B5G 网络合并引起了研究人员的强烈兴趣，因为超过 70% 的移动数据流量是由 WiFi 设备产生的。然而，5G/B5G 的 WiFi 信道资源稀缺性变得越来越严重。当前关于信道资源分配的一个问题是由于用户密度增加而导致的信道冲突处理。强化学习 (RL) 算法最近帮助开发了用于 5G/B5G 网络资源分配的杰出行为主义学习技术。代理基于奖励和累积价值在基于 RL 的算法中优化其行为。然而，密集部署的 WiFi 环境是分布式和动态的，并且经常变化。因此，依赖个体局部估计会导致更高的误差方差。因此，本文为 5G/B5G 网络提出了一个基于联合 RL 的信道资源分配框架，并建议协作学习估计以加快学习收敛。实验结果验证了所提出的方法通过协作信道访问参数选择在吞吐量方面优化了 WiFi 性能。本研究还强调了拟议框架的六个潜在应用。依赖个体局部估计会导致更高的误差方差。因此，本文为 5G/B5G 网络提出了一个基于联合 RL 的信道资源分配框架，并建议协作学习估计以加快学习收敛。实验结果验证了所提出的方法通过协作信道访问参数选择在吞吐量方面优化了 WiFi 性能。本研究还强调了拟议框架的六个潜在应用。依赖个体局部估计会导致更高的误差方差。因此，本文为 5G/B5G 网络提出了一个基于联合 RL 的信道资源分配框架，并建议协作学习估计以加快学习收敛。实验结果验证了所提出的方法通过协作信道访问参数选择在吞吐量方面优化了 WiFi 性能。本研究还强调了拟议框架的六个潜在应用。实验结果验证了所提出的方法通过协作信道访问参数选择在吞吐量方面优化了 WiFi 性能。本研究还强调了拟议框架的六个潜在应用。实验结果验证了所提出的方法通过协作信道访问参数选择在吞吐量方面优化了 WiFi 性能。本研究还强调了拟议框架的六个潜在应用。