Мультиагентное управление доступом в сетях NB-IoT на основе глубокого обучения с подкреплением

В данной работе изучаются механизмы управления процедурой случайного доступа (Random Access Channel, RACH) в сетях узкополосного Интернета вещей (Narrowband Internet of Things, NB-IoT), где высокое число устройств приводит к перегрузке канала и значительному росту коллизий. Предмет исследования заключается в динамическом распределении временных слотов RACH на базе алгоритмов глубокого обучения с подкреплением. Особое внимание уделено мультиагентной архитектуре, где каждый агент специализируется на определённом аспекте управления (проактивное определение пиков нагрузки, координация RACH-слотов, дифференциация трафика, пространственная балансировка и энергосбережение). Авторы подробно анализируют причины перегрузки RACH и сравнивают традиционные статические схемы и одноагентные RL-подходы. Предлагаемая система реализована в среде NS-3 с использованием современных методов Deep Reinforcement Learning (DQN, A2C, DDPG). Научная новизна заключается в декомпозиции задач массового доступа между несколькими агентами, что обеспечивает более глубокую адаптацию к нагрузке и снижает вероятность коллизий. В результате экспериментов достигнуто существенное снижение коллизий по сравнению с одноагентным методом, уменьшение задержек подключения и рост энергоэффективности устройств. Перспективы дальнейших исследований заключаются в экспериментальной валидации разработанной концепции на физической аппаратной базе.