Fugu-MT 論文翻訳(概要): The Need for Advanced Intelligence in NFV Management and Orchestration

論文の概要: The Need for Advanced Intelligence in NFV Management and Orchestration

arxiv url: http://arxiv.org/abs/2008.00937v1
Date: Mon, 3 Aug 2020 15:17:42 GMT
ステータス: 処理完了
システム内更新日: 2022-11-03 06:05:41.820298
Title: The Need for Advanced Intelligence in NFV Management and Orchestration
Title（参考訳）: NFV管理とオーケストレーションにおける高度なインテリジェンスの必要性
Authors: Dimitrios Michael Manias and Abdallah Shami
Abstract要約: この研究は、強化学習やフェデレート学習のような高度な知性技術を採用する利点を示す。潜在的なユースケースと研究トピックのリストを提供し、これらの高度なインテリジェンスを管理およびオーケストレーションに適用するためのボトムアップなマイクロ機能アプローチを提案する。
参考スコア（独自算出の注目度）: 4.20254978234948
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the constant demand for connectivity at an all-time high, Network Service Providers (NSPs) are required to optimize their networks to cope with rising capital and operational expenditures required to meet the growing connectivity demand. A solution to this challenge was presented through Network Function Virtualization (NFV). As network complexity increases and futuristic networks take shape, NSPs are required to incorporate an increasing amount of operational efficiency into their NFV-enabled networks. One such technique is Machine Learning (ML), which has been applied to various entities in NFV-enabled networks, most notably in the NFV Orchestrator. While traditional ML provides tremendous operational efficiencies, including real-time and high-volume data processing, challenges such as privacy, security, scalability, transferability, and concept drift hinder its widespread implementation. Through the adoption of Advanced Intelligence techniques such as Reinforcement Learning and Federated Learning, NSPs can leverage the benefits of traditional ML while simultaneously addressing the major challenges traditionally associated with it. This work presents the benefits of adopting these advanced techniques, provides a list of potential use cases and research topics, and proposes a bottom-up micro-functionality approach to applying these methods of Advanced Intelligence to NFV Management and Orchestration.
Abstract（参考訳）: ネットワークサービスプロバイダ(NSP)は、常時接続の需要があるため、そのネットワークを最適化して、接続需要の増加に対応するために必要な資本と運用費の増大に対応する必要がある。この課題に対する解決策は network function virtualization (nfv) を通じて提示された。ネットワークの複雑さが増加し、未来的なネットワークが形になるにつれて、NFV対応ネットワークに運用効率の増大を組み込む必要がある。そのような技術の一つが機械学習(ML)であり、特にNFVオーケストレータにおいて、NFV対応ネットワークの様々なエンティティに適用されている。従来のMLは、リアルタイムデータ処理や高ボリュームデータ処理、プライバシ、セキュリティ、スケーラビリティ、転送可能性、コンセプトドリフトといった課題など、膨大な運用効率を提供する。強化学習や連合学習のような高度な知性技術の導入によって、nspは従来のmlの利点を活用でき、同時に伝統的にそれに関連する主要な課題にも対処できる。本研究は、これらの高度な技術を採用する利点を示し、潜在的なユースケースと研究トピックのリストを提供し、これらの高度なインテリジェンスの手法をnfvの管理とオーケストレーションに適用するためのボトムアップマイクロファンクショナルアプローチを提案する。

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)
Regularized PolyKervNets: Optimizing Expressiveness and Efficiency for Private Inference in Deep Neural Networks [0.0]
より小さなネットワークで動的近似を改善する技術としてよく知られているPolyKervNetsに注目する。我々の主な目的は、大規模ネットワークにおけるPolyKervNetの性能を高めるために、最適化に基づくトレーニングレシピを実証的に探索することである。
論文参考訳（メタデータ） (2023-12-23T11:37:18Z)
Enabling Intelligent Vehicular Networks Through Distributed Learning in the Non-Terrestrial Networks 6G Vision [0.5461938536945721]
6G対応のインテリジェントトランスポーテーションシステム(ITS)は、先進的なインテリジェントサービスとアプリケーションで従来の交通ネットワークを再定義する。これらの技術は、レイテンシ、エネルギー効率、ユーザデータセキュリティの厳しい要件を課している。本稿では,資源制約型車両シナリオのための共同空地ネットワークにおいて,FSTL(Federated Split Transfer Learning)の概念を導入する。
論文参考訳（メタデータ） (2023-09-07T22:18:21Z)
Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文参考訳（メタデータ） (2023-07-14T04:13:11Z)
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)
Age of Information Aware VNF Scheduling in Industrial IoT Using Deep Reinforcement Learning [9.780232937571599]
深部強化学習(DRL)はそのような問題を解決するための有効な方法として現れている。本論文では, 単一エージェントの低複素複素アクションアクター-クリティカルRLを用いて離散的および連続的なアクションの両方をカバーする。その後、エージェントが互いに協力するマルチエージェントDRLスキームにソリューションを拡張します。
論文参考訳（メタデータ） (2021-05-10T09:04:49Z)
Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文参考訳（メタデータ） (2020-07-27T12:38:37Z)
Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
論文参考訳（メタデータ） (2020-07-07T01:49:07Z)
Machine Learning for Intelligent Optical Networks: A Comprehensive Survey [9.947717243638289]
コミュニケーションネットワークにおけるインテリジェンス向上は必須であり、人工知能(AI)と機械学習(ML)を取り入れている側面もいくつかある。本稿では,知的光ネットワークにおけるMLの既存応用に関する詳細な調査を行う。 MLの応用は、光学ネットワーク制御と資源管理に分類され、光学ネットワークの監視と生存可能性に分類される。
論文参考訳（メタデータ） (2020-03-11T13:51:38Z)
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)
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。