論文の概要: A Machine Learning-Based Migration Strategy for Virtual Network Function Instances

• arxiv url: http://arxiv.org/abs/2006.08456v1
• Date: Mon, 15 Jun 2020 15:03:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 05:11:11.651590
• Title: A Machine Learning-Based Migration Strategy for Virtual Network Function Instances
• Title（参考訳）: 仮想ネットワーク機能インスタンスのための機械学習に基づくマイグレーション戦略
• Authors: Dimitrios Michael Manias, Hassan Hawilo, Abdallah Shami
• Abstract要約: 我々は、VNFインスタンスのマイグレーション戦略であるVNNIM(VNF Neural Network for Instance Migration)を開発した。 VNNIMは、移行後のサーバを99.07%の精度で予測するのに非常に効果的である。 しかし、VNNIMの最大の利点は、ランタイム分析によって強調される実行時の効率である。
• 参考スコア（独自算出の注目度）: 3.7783523378336104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the growing demand for data connectivity, network service providers are faced with the task of reducing their capital and operational expenses while simultaneously improving network performance and addressing the increased demand. Although Network Function Virtualization (NFV) has been identified as a promising solution, several challenges must be addressed to ensure its feasibility. In this paper, we address the Virtual Network Function (VNF) migration problem by developing the VNF Neural Network for Instance Migration (VNNIM), a migration strategy for VNF instances. The performance of VNNIM is further improved through the optimization of the learning rate hyperparameter through particle swarm optimization. Results show that the VNNIM is very effective in predicting the post-migration server exhibiting a binary accuracy of 99.07% and a delay difference distribution that is centered around a mean of zero when compared to the optimization model. The greatest advantage of VNNIM, however, is its run-time efficiency highlighted through a run-time analysis.
• Abstract（参考訳）: データコネクティビティの需要が高まる中、ネットワークサービスプロバイダは、資本と運用コストの削減と同時に、ネットワークパフォーマンスの向上と需要増加に対応するという課題に直面している。 Network Function Virtualization (NFV) は有望なソリューションとして認識されているが、実現可能性を保証するためにはいくつかの課題に対処する必要がある。 本稿では、VNFインスタンスのマイグレーション戦略であるVNNIM(VNF Neural Network for Instance Migration)を開発することにより、仮想ネットワーク関数(VNF)マイグレーション問題に対処する。 粒子群最適化による学習速度ハイパーパラメータの最適化により, VNNIMの性能をさらに向上する。 その結果,vnnimは,2進精度99.07%の移動後サーバと,最適化モデルと比較して0平均を中心とする遅延差分分布の予測に非常に有効であることがわかった。 しかし、VNNIMの最大の利点は、ランタイム分析によって強調される実行時の効率である。

関連論文リスト

• Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
  本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。 この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
  論文  参考訳（メタデータ） (2024-08-26T17:03:14Z)
• DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
  本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。 我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。 拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T06:31:03Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• A Graph Neural Networks based Framework for Topology-Aware Proactive SLA Management in a Latency Critical NFV Application Use-case [0.34376560669160383]
  5Gと6Gの最近の進歩は、ネットワークシリーズ(NFV)によって実現される遅延クリティカルなアプリケーションの出現につながっている。 本稿では,グラフニューラルネットワーク(GNN)と深層強化学習(DRL)を活用して,効率性と信頼性のトレードオフをバランスさせる,積極的なSLA管理フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-10T23:22:05Z)
• JUMBO: Scalable Multi-task Bayesian Optimization using Offline Data [86.8949732640035]
  追加データをクエリすることで制限をサイドステップするMBOアルゴリズムであるJUMBOを提案する。 GP-UCBに類似した条件下では, 応答が得られないことを示す。 実世界の2つの最適化問題に対する既存手法に対する性能改善を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-02T05:03:38Z)
• AI-Empowered VNF Migration as a Cost-Loss-Effective Solution for Network Resilience [6.1602473788942325]
  本稿では、ステートフルVNFの合理的な移行のための新しいコストモデルとAI駆動アプローチを提案する。 複雑な現実的なユーザモビリティパターンを扱うことができる。
  論文  参考訳（メタデータ） (2021-01-22T21:47:41Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• Depth-Optimized Delay-Aware Tree (DO-DAT) for Virtual Network Function Placement [3.5584529568201377]
  ネットワーク機能(NFV)はソリューションとして認識されているが、その実現性を保証するためにはいくつかの課題に対処する必要がある。 本稿では,VNF(Virtual Network)配置問題に対する機械学習による解決策を提案する。
  論文  参考訳（メタデータ） (2020-06-02T17:18:20Z)
• 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。