論文の概要: Using Reinforcement Learning to Allocate and Manage Service Function
Chains in Cellular Networks
- arxiv url: http://arxiv.org/abs/2006.07349v3
- Date: Tue, 20 Oct 2020 00:12:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 03:52:22.646060
- Title: Using Reinforcement Learning to Allocate and Manage Service Function
Chains in Cellular Networks
- Title（参考訳）: 強化学習を用いたセルネットワークにおけるサービス機能チェーンのアロケートと管理
- Authors: Guto Leoni Santos, Patricia Takako Endo
- Abstract要約: 携帯電話ネットワークサービスのサービス機能チェーン(SFC)をデプロイし,ネットワーク仮想機能(VNF)を管理するための強化学習の利用を提案する。
主な目的は、サーバのエネルギー消費を考慮した損失パケットの数を減らすことである。
予備的な結果は、エージェントがSFCを割り当て、VNFを管理することができ、失われたパケットの数を削減できることを示している。
- 参考スコア（独自算出の注目度）: 0.456877715768796
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: It is expected that the next generation cellular networks provide a connected
society with fully mobility to empower the socio-economic transformation.
Several other technologies will benefits of this evolution, such as Internet of
Things, smart cities, smart agriculture, vehicular networks, healthcare
applications, and so on. Each of these scenarios presents specific requirements
and demands different network configurations. To deal with this heterogeneity,
virtualization technology is key technology. Indeed, the network function
virtualization (NFV) paradigm provides flexibility for the network manager,
allocating resources according to the demand, and reduces acquisition and
operational costs. In addition, it is possible to specify an ordered set of
network virtual functions (VNFs) for a given service, which is called as
service function chain (SFC). However, besides the advantages from service
virtualization, it is expected that network performance and availability do not
be affected by its usage. In this paper, we propose the use of reinforcement
learning to deploy a SFC of cellular network service and manage the VNFs
operation. We consider that the SFC is deployed by the reinforcement learning
agent considering a scenarios with distributed data centers, where the VNFs are
deployed in virtual machines in commodity servers. The NFV management is
related to create, delete, and restart the VNFs. The main purpose is to reduce
the number of lost packets taking into account the energy consumption of the
servers. We use the Proximal Policy Optimization (PPO) algorithm to implement
the agent and preliminary results show that the agent is able to allocate the
SFC and manage the VNFs, reducing the number of lost packets.
- Abstract（参考訳）: 次世代のセルラーネットワークは、社会経済変革の推進のために、完全な流動性を持つ接続社会を提供することが期待されている。
他にも、IoT、スマートシティ、スマート農業、車載ネットワーク、ヘルスケアアプリケーションなど、この進化の恩恵を受ける技術がいくつかある。
これらのシナリオはそれぞれ特定の要件を示し、異なるネットワーク構成を要求する。
この異質性に対処するため、仮想化技術は重要な技術である。
実際、ネットワーク機能仮想化(NFV)パラダイムは、ネットワークマネージャに柔軟性を提供し、要求に応じてリソースを割り当て、取得と運用コストを削減します。
さらに、与えられたサービスのネットワーク仮想関数の順序セット(VNF)を指定することが可能で、サービス関数チェーン(SFC)と呼ばれる。
しかし、サービス仮想化の利点に加えて、ネットワークの性能と可用性がその利用に影響されないことが期待されている。
本稿では,セルラーネットワークサービスのSFCをデプロイし,VNFsの運用を管理するための強化学習手法を提案する。
SFCは分散データセンターのシナリオを考慮した強化学習エージェントによって展開され、VNFはコモディティサーバの仮想マシンにデプロイされる。
NFV管理は、VNFの生成、削除、再起動に関連する。
主な目的は、サーバーのエネルギー消費を考慮して失われたパケットの数を減らすことである。
エージェントの実装にはppo(proximal policy optimization)アルゴリズムを用い,sfcのアロケートとvnfの管理が可能であり,パケットのロス数を削減できることを示す。
関連論文リスト
- AI Flow at the Network Edge [58.31090055138711]
AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。
この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
論文 参考訳（メタデータ） (2024-11-19T12:51:17Z) - A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles [49.86094523878003]
モバイルAIGCサービスアロケーションのための分散インセンティブ機構を提案する。
我々は、AIGCサービスのRSUへの供給と、IoVコンテキスト内のサービスに対するユーザ要求のバランスを見つけるために、マルチエージェントの深層強化学習を採用している。
論文 参考訳（メタデータ） (2024-03-29T12:46:07Z) - Adaptive Services Function Chain Orchestration For Digital Health Twin
Use Cases: Heuristic-boosted Q-Learning Approach [2.3513645401551333]
デジタルツイン(Digital Twin, DT)は、医療部門で活用および展開するための重要な技術である。
しかし、このようなアプリケーションに直面する主な課題は、健康データ共有ポリシーの厳格化、高性能ネットワーク要件、インフラストラクチャリソースの制限などである。
フレキシブルで動的なコンテナスケジューリングのために、マルチノードのクラスタメッシュインフラストラクチャの上にCloud-Native Networkオーケストレータを定義します。
論文 参考訳（メタデータ） (2023-04-25T14:25:08Z) - AI in 6G: Energy-Efficient Distributed Machine Learning for Multilayer
Heterogeneous Networks [7.318997639507269]
本稿では,ネットワーク層とエンティティにまたがるさまざまな機械学習手法に関連するタスクを分散する,階層ベースの新しいHetNetアーキテクチャを提案する。
このようなHetNetは、複数のアクセス方式と、エネルギー効率を高めるためのデバイス間通信(D2D)を備えている。
論文 参考訳（メタデータ） (2022-06-04T22:03:19Z) - Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文 参考訳（メタデータ） (2022-05-27T13:09:29Z) - Federated Learning over Wireless IoT Networks with Optimized
Communication and Resources [98.18365881575805]
協調学習技術のパラダイムとしてのフェデレートラーニング(FL)は研究の注目を集めている。
無線システム上での高速応答および高精度FLスキームの検証が重要である。
提案する通信効率のよいフェデレーション学習フレームワークは,強い線形速度で収束することを示す。
論文 参考訳（メタデータ） (2021-10-22T13:25:57Z) - Will bots take over the supply chain? Revisiting Agent-based supply
chain automation [71.77396882936951]
エージェントベースのサプライチェーンは2000年初頭から提案されている。
エージェントベースの技術は成熟しており、サプライチェーンに浸透している他の支援技術はギャップを埋めている。
例えば、IoTテクノロジのユビキティは、エージェントがサプライチェーンの状態を“理解”し、自動化のための新たな可能性を開くのに役立つ。
論文 参考訳（メタデータ） (2021-09-03T18:44:26Z) - The Greatest Teacher, Failure is: Using Reinforcement Learning for SFC
Placement Based on Availability and Energy Consumption [0.3441021278275805]
通信事業者はますます複雑なサービス機能チェーン(SFC)を展開している
本稿では、強化学習(RL)に基づくアベイラビリティーとエネルギ対応のソリューションを提案する。
ブラジルの国立教育研究ネットワークのバックボーンであるRede Nacional de Ensino e Pesquisa(RNP)ネットワークに基づく地上の真理ネットワークトポロジのシミュレーションを用いて、2つのポリシー対応RLアルゴリズム、Advantage Actor-Critic(A2C)とProximal Policy optimisation(PPO2)を比較した。
論文 参考訳（メタデータ） (2020-10-12T13:45:30Z) - Methods and Techniques for Dynamic Deployability of Software-Defined
Security Services [0.0]
この論文は、ネットワークセキュリティサービスを"ソフト化された"ネットワークでプロビジョニングする際の課題について考察する。
この研究は、顧客をネットワークの脅威から守ることを目的としている通信事業者の視点からアプローチされている。
この論文で示された研究の全体的な目的は、ソフトウェアベースのセキュリティサービスのリソース利用を最適化する新しい技術を提案することである。
論文 参考訳（メタデータ） (2020-04-04T16:04:18Z) - Deep Learning for Radio Resource Allocation with Diverse
Quality-of-Service Requirements in 5G [53.23237216769839]
本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。
完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。
無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
論文 参考訳（メタデータ） (2020-03-29T04:48:22Z) - Machine Learning for Performance-Aware Virtual Network Function
Placement [3.5558885788605323]
サービス機能チェーン(SFC)を形成する仮想ネットワーク機能インスタンスの効率的な配置から学習する機械学習決定ツリーモデルを開発する。
このモデルは入力としてネットワークからいくつかのパフォーマンス関連の特徴を取り、依存するVNFインスタンス間の遅延を最小限に抑える目的で、ネットワークサーバ上の様々なVNFインスタンスの配置を選択する。
論文 参考訳（メタデータ） (2020-01-13T14:08:39Z)
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。