Fugu-MT 論文翻訳(概要): Integrated Methodology to Cognitive Network Slice Management in Virtualized 5G Networks

論文の概要: Integrated Methodology to Cognitive Network Slice Management in Virtualized 5G Networks

arxiv url: http://arxiv.org/abs/2005.04830v1
Date: Mon, 11 May 2020 01:51:47 GMT
ステータス: 処理完了
システム内更新日: 2022-12-04 20:46:20.856242
Title: Integrated Methodology to Cognitive Network Slice Management in Virtualized 5G Networks
Title（参考訳）: 仮想5Gネットワークにおける認知ネットワークスライス管理の統合手法
Authors: Xenofon Vasilakos, Navid Nikaein, Dean H Lorenz, Berkay Koksal, Nasim Ferdosian
Abstract要約: 5GネットワークはETSIが定義したZero Touch Network and Service Management(ZSM)の概念に従って完全に自律的であると想定されている。目的固有の機械学習(ML)モデルは、サービスレベルアグリーメント(SLA)のスライスに完全に準拠する方法で、物理的および仮想ネットワークリソースの管理と制御に使用することができる。
参考スコア（独自算出の注目度）: 3.8743565255416983
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fifth Generation (5G) networks are envisioned to be fully autonomous in accordance to the ETSI-defined Zero touch network and Service Management (ZSM) concept. To this end, purpose-specific Machine Learning (ML) models can be used to manage and control physical as well as virtual network resources in a way that is fully compliant to slice Service Level Agreements (SLAs), while also boosting the revenue of the underlying physical network operator(s). This is because specially designed and trained ML models can be both proactive and very effective against slice management issues that can induce significant SLA penalties or runtime costs. However, reaching that point is very challenging. 5G networks will be highly dynamic and complex, offering a large scale of heterogeneous, sophisticated and resource-demanding 5G services as network slices. This raises a need for a well-defined, generic and step-wise roadmap to designing, building and deploying efficient ML models as collaborative components of what can be defined as Cognitive Network and Slice Management (CNSM) 5G systems. To address this need, we take a use case-driven approach to design and present a novel Integrated Methodology for CNSM in virtualized 5G networks based on a concrete eHealth use case, and elaborate on it to derive a generic approach for 5G slice management use cases. The three fundamental components that comprise our proposed methodology include (i) a 5G Cognitive Workflow model that conditions everything from the design up to the final deployment of ML models; (ii) a Four-stage approach to Cognitive Slice Management with an emphasis on anomaly detection; and (iii) a Proactive Control Scheme for the collaboration of different ML models targeting different slice life-cycle management problems.
Abstract（参考訳）: 第5世代(5G)ネットワークはETSIが定義したゼロタッチネットワークとサービス管理(ZSM)の概念に従って完全に自律的であると想定されている。この目的を達成するために、目的固有の機械学習(ML)モデルは、サービスレベルアグリーメント(SLA)のスライスに完全に準拠する方法で、物理的および仮想ネットワークリソースの管理と制御に使用することができ、基盤となる物理ネットワークオペレータの収益も向上する。これは、特別に設計され、訓練されたMLモデルは、SLAの重大な罰則やランタイムコストを引き起こすスライス管理の問題に対して、積極的にかつ非常に効果的である可能性があるためです。しかし、その点に達することは非常に難しい。 5Gネットワークは非常にダイナミックで複雑で、ネットワークスライスとして多種多様な高度なリソースを必要とする5Gサービスを大規模に提供する。これにより、Cognitive Network and Slice Management (CNSM) 5Gシステムとして定義可能な、効率的なMLモデルを設計、構築、デプロイするための、明確に定義された、一般的な、ステップワイズなロードマップの必要性が高まっます。このニーズに対処するために,具体的なeHealthのユースケースに基づく仮想5GネットワークにおけるCNSMの新たな統合手法の設計と提示を行い,それについて詳しく検討し,5Gスライス管理ユースケースの汎用的アプローチを導出する。提案手法を構成する3つの基本的な構成要素は (i) 設計からmlモデルの最終的な展開まで、あらゆることを条件とした5gの認知ワークフローモデル。 (二異常検出を重視した認知的スライス管理のための四段階的アプローチ (iii)異なるスライスライフサイクル管理問題を対象とした異なるmlモデルの協調のための積極的な制御方式。

関連論文リスト

Read-ME: Refactorizing LLMs as Router-Decoupled Mixture of Experts with System Co-Design [59.00758127310582]
本稿では、事前学習された高密度LCMをより小さなMoEモデルに変換する新しいフレームワークRead-MEを提案する。当社のアプローチでは,専門家の抽出にアクティベーション空間を用いる。 Read-MEは、同様のスケールの他の人気のあるオープンソース高密度モデルよりも優れています。
論文参考訳（メタデータ） (2024-10-24T19:48:51Z)
Semantic Routing for Enhanced Performance of LLM-Assisted Intent-Based 5G Core Network Management and Orchestration [10.981422497762837]
大規模言語モデル(LLM)は人工知能(AI)アプリケーションで急速に普及している。本稿では,5Gコアネットワークの意図に基づく管理とオーケストレーションにおける性能向上を目的としたセマンティックルーティングを提案する。
論文参考訳（メタデータ） (2024-04-24T13:34:20Z)
Zero-Touch Networks: Towards Next-Generation Network Automation [21.003217781832923]
Zero-touch Network and Service Management (ZSM)フレームワークは、第5世代(5G)とBeyond(5G+)ネットワークの管理において、新たなパラダイムである。 ZSMフレームワークは、機械学習(ML)のような高度な技術を活用して、インテリジェントな意思決定を可能にし、人間の介入を減らす。本稿では,ZSMフレームワーク内のゼロタッチネットワーク(ZTN)について,ネットワーク最適化,トラフィック監視,エネルギー効率,次世代ネットワークのセキュリティ面について調査する。
論文参考訳（メタデータ） (2023-12-07T09:21:41Z)
netFound: Foundation Model for Network Security [11.38388749887112]
本稿では,新しいトランスフォーマーベースネットワーク基盤モデルであるnetFoundを紹介する。我々は、事前学習のために、豊富なラベルのないネットワークテレメトリデータに自己教師付き学習技術を採用する。実運用環境では,netFoundが隠れたネットワークコンテキストを効果的にキャプチャすることを示す。
論文参考訳（メタデータ） (2023-10-25T22:04:57Z)
5G Network Slicing: Analysis of Multiple Machine Learning Classifiers [0.0]
本稿では,ロジスティック回帰モデル,線形判別モデル,k-ネアレスト近傍モデル,決定木モデル,ランダム森林モデル,SVC BernoulliNBモデル,ガウスアンNBモデルなど,さまざまな機械学習手法を評価し,ネットワークスライス検出における各モデルの精度と精度について検討する。レポートでは5Gネットワークスライシングの概要も紹介されている。
論文参考訳（メタデータ） (2023-10-03T02:16:50Z)
Partitioning Distributed Compute Jobs with Reinforcement Learning and Graph Neural Networks [58.720142291102135]
大規模な機械学習モデルは、幅広い分野に進歩をもたらしている。これらのモデルの多くは、単一のマシンでトレーニングするには大きすぎるため、複数のデバイスに分散する必要がある。スループットやブロッキングレートといったユーザクリティカルな指標に対して,並列化の最大化が準最適であることを示す。
論文参考訳（メタデータ） (2023-01-31T17:41:07Z)
Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
論文参考訳（メタデータ） (2023-01-22T17:12:58Z)
A Model Drift Detection and Adaptation Framework for 5G Core Networks [3.5573601621032935]
本稿では,5Gコアネットワークのためのモデルドリフト検出および適応モジュールを提案する。 5Gコアネットワークの機能プロトタイプを使用して、ユーザの振る舞いのドリフトをエミュレートし、提案したフレームワークをデプロイしてテストする。
論文参考訳（メタデータ） (2022-08-08T13:29:38Z)
Semantic-aware Modular Capsule Routing for Visual Question Answering [55.03883681191765]
SuPER と呼ばれるセマンティック・アウェアな modUlar caPsulE フレームワークを提案する。 5つのベンチマークデータセットに対して提案した SUPER スキームの有効性と一般化能力を比較検討した。
論文参考訳（メタデータ） (2022-07-21T10:48:37Z)
Attribute-Modulated Generative Meta Learning for Zero-Shot Classification [52.64680991682722]
ゼロショット学習のためのAttribute-Modulated GenerAtive Meta-modelを提案する。本モデルは属性対応変調ネットワークと属性対応生成ネットワークから構成される。実験により,AMAZはZSLで3.8%,ZSLで5.1%改善し,ZSL設定を一般化した。
論文参考訳（メタデータ） (2021-04-22T04:16:43Z)
Learnable Expansion-and-Compression Network for Few-shot Class-Incremental Learning [87.94561000910707]
破滅的忘れとモデルオーバーフィッティングの問題を解決するための学習可能な拡張・圧縮ネットワーク(LEC-Net)を提案する。 LEC-Netは機能の表現能力を拡大し、モデル正規化の観点から古いネットワークの特徴漂流を緩和します。 CUB/CIFAR-100データセットの実験では、LEC-Netがベースラインを57%改善し、最先端の56%を上回ります。
論文参考訳（メタデータ） (2021-04-06T04:34:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。