論文の概要: Tomography Based Learning for Load Distribution through Opaque Networks
- arxiv url: http://arxiv.org/abs/2007.09521v1
- Date: Sat, 18 Jul 2020 21:52:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 06:09:10.900086
- Title: Tomography Based Learning for Load Distribution through Opaque Networks
- Title(参考訳): トモグラフィに基づく不透明ネットワークによる負荷分散学習
- Authors: Shenghe Xu, Murali Kodialam, T.V. Lakshman and Shivendra S. Panwar
- Abstract要約: オーバー・ザ・トップ(OTT)サービスプロバイダにとって重要なタスクは、遅延を最小限に抑えるため、ネットワークを通してトラフィックを送信することだ。
この問題は、トラフィックがブラックボックスネットワークに入る一連の入力をトラフィックソースが選択できる一般的な設定で検討する。
この問題を解決するための主要な技術的課題は、問題の高次元性と、ネットワークに固有の制約を扱うことである。
- 参考スコア(独自算出の注目度): 9.923523030849836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Applications such as virtual reality and online gaming require low delays for
acceptable user experience. A key task for over-the-top (OTT) service providers
who provide these applications is sending traffic through the networks to
minimize delays. OTT traffic is typically generated from multiple data centers
which are multi-homed to several network ingresses. However, information about
the path characteristics of the underlying network from the ingresses to
destinations is not explicitly available to OTT services. These can only be
inferred from external probing. In this paper, we combine network tomography
with machine learning to minimize delays. We consider this problem in a general
setting where traffic sources can choose a set of ingresses through which their
traffic enter a black box network. The problem in this setting can be viewed as
a reinforcement learning problem with constraints on a continuous action space,
which to the best of our knowledge have not been investigated by the machine
learning community. Key technical challenges to solving this problem include
the high dimensionality of the problem and handling constraints that are
intrinsic to networks. Evaluation results show that our methods achieve up to
60% delay reductions in comparison to standard heuristics. Moreover, the
methods we develop can be used in a centralized manner or in a distributed
manner by multiple independent agents.
- Abstract(参考訳): 仮想現実やオンラインゲームのようなアプリケーションでは、受け入れ可能なユーザエクスペリエンスのために遅延が少ない。
これらのアプリケーションを提供するサービスプロバイダにとって重要なタスクは、遅延を最小限に抑えるためにネットワークを通してトラフィックを送信することです。
OTTトラフィックは通常、複数のデータセンターから発生し、複数のネットワークイングレスにマルチホームされる。
しかし,OTTサービスでは,入力側から宛先までのネットワークの経路特性は明確に把握できない。
これらは外部の探索からのみ推測できる。
本稿では,ネットワークトモグラフィと機械学習を組み合わせて遅延を最小限に抑える。
我々は、トラフィックソースがトラフィックがブラックボックスネットワークに入る一連の入力を選択できる一般的な設定でこの問題を考える。
この設定の問題は、連続的なアクション空間に制約のある強化学習問題と見なすことができ、機械学習コミュニティでは、我々の知識の最良の部分は調査されていない。
この問題を解決する上での鍵となる技術的課題は、問題の高次元化とネットワーク固有の制約の扱いである。
評価の結果,本手法は標準ヒューリスティックと比較して最大60%の遅延低減を達成した。
さらに,本手法は,複数の独立エージェントが集中的に,あるいは分散的に使用することができる。
関連論文リスト
- Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。
畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文 参考訳(メタデータ) (2023-06-14T01:24:42Z) - Scheduling Inference Workloads on Distributed Edge Clusters with
Reinforcement Learning [11.007816552466952]
本稿では,エッジネットワークにおける予測クエリを短時間でスケジューリングする問題に焦点をあてる。
シミュレーションにより,大規模ISPの現実的なネットワーク設定とワークロードにおけるいくつかのポリシーを解析する。
我々は、強化学習に基づくスケジューリングアルゴリズムASETを設計し、システム条件に応じてその決定を適応させることができる。
論文 参考訳(メタデータ) (2023-01-31T13:23:34Z) - Deep Reinforcement Learning for Trajectory Path Planning and Distributed
Inference in Resource-Constrained UAV Swarms [6.649753747542209]
本研究の目的は,UAVSwarmにおける分散協調推論要求と経路計画のためのモデルの設計である。
定式化問題はNPハードであるため、最適解を見つけることは極めて複雑である。
我々は、広範囲なシミュレーションを行い、その結果を、我々のモデルが競合モデルより優れていることを示す最先端の研究と比較する。
論文 参考訳(メタデータ) (2022-12-21T17:16:42Z) - Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [89.23404108080585]
本稿では,GPUの並列処理能力を活用してTE制御を高速化する学習型TEアルゴリズムTealを提案する。
問題スケールの削減と学習のトラクタビリティ向上のために,Tealはマルチエージェント強化学習(RL)アルゴリズムを用いて,各トラフィック要求を独立に割り当てる。
他のTE加速方式と比較して、Tealは需要を6~32%増やし、197~625倍のスピードアップを達成している。
論文 参考訳(メタデータ) (2022-10-25T04:46:30Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳(メタデータ) (2022-08-17T03:00:24Z) - 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) - Low-Latency Federated Learning over Wireless Channels with Differential
Privacy [142.5983499872664]
フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。
本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
論文 参考訳(メタデータ) (2021-06-20T13:51:18Z) - Quantized Federated Learning under Transmission Delay and Outage
Constraints [30.892724364965005]
フェデレートラーニング(Federated Learning)は、無線エッジ内の巨大なモバイルデバイスと協調して機械学習モデルをトレーニングする、実行可能な分散学習パラダイムである。
無線リソースが限られている実用的なシステムでは、多数のモデルパラメータの送信は量子化エラー(QE)と送信停止(TO)に必然的に悩まされる。
我々は,無線リソースと量子化ビットをクライアント間で共同で割り当て,QEを最小化するとともに,クライアントがTO確率を持つようにする,堅牢なFLスキームFedTOEを提案する。
論文 参考訳(メタデータ) (2021-06-17T11:29:12Z) - Computation Offloading in Heterogeneous Vehicular Edge Networks: On-line
and Off-policy Bandit Solutions [30.606518785629046]
高速変動車体環境では、ネットワークの混雑によりオフロードの遅延が発生する。
本稿では,バンディット理論に基づくオンラインアルゴリズムと非政治学習アルゴリズムを提案する。
提案手法は,最も混雑の少ないネットワークを選択することで,ネットワークのトラフィック変化に適応することを示す。
論文 参考訳(メタデータ) (2020-08-14T11:48:13Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z)
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。