論文の概要: Distributed Deep Reinforcement Learning for Functional Split Control in Energy Harvesting Virtualized Small Cells

• arxiv url: http://arxiv.org/abs/2008.04105v1
• Date: Fri, 7 Aug 2020 12:27:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 01:03:58.385957
• Title: Distributed Deep Reinforcement Learning for Functional Split Control in Energy Harvesting Virtualized Small Cells
• Title（参考訳）: エネルギー収穫小型セルにおける機能分割制御のための分散深層強化学習
• Authors: Dagnachew Azene Temesgene, Marco Miozzo, Deniz G\"und\"uz and Paolo Dini
• Abstract要約: モバイルネットワークオペレータ(MNO)は、小さなセルの密度の高いインフラストラクチャをデプロイしている。 これにより、モバイルネットワークの消費電力が増加し、環境に影響を及ぼす。 本稿では,エネルギー回収装置と充電式電池を備えた周辺小セルのネットワークについて考察する。
• 参考スコア（独自算出の注目度）: 3.8779763612314624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To meet the growing quest for enhanced network capacity, mobile network operators (MNOs) are deploying dense infrastructures of small cells. This, in turn, increases the power consumption of mobile networks, thus impacting the environment. As a result, we have seen a recent trend of powering mobile networks with harvested ambient energy to achieve both environmental and cost benefits. In this paper, we consider a network of virtualized small cells (vSCs) powered by energy harvesters and equipped with rechargeable batteries, which can opportunistically offload baseband (BB) functions to a grid-connected edge server depending on their energy availability. We formulate the corresponding grid energy and traffic drop rate minimization problem, and propose a distributed deep reinforcement learning (DDRL) solution. Coordination among vSCs is enabled via the exchange of battery state information. The evaluation of the network performance in terms of grid energy consumption and traffic drop rate confirms that enabling coordination among the vSCs via knowledge exchange achieves a performance close to the optimal. Numerical results also confirm that the proposed DDRL solution provides higher network performance, better adaptation to the changing environment, and higher cost savings with respect to a tabular multi-agent reinforcement learning (MRL) solution used as a benchmark.
• Abstract（参考訳）: ネットワーク容量の増大を願うモバイルネットワークオペレータ(MNO)は,小型セルの高密度インフラストラクチャをデプロイしている。 これにより、モバイルネットワークの消費電力が増加し、環境に影響を及ぼす。 その結果、環境とコストの両面での利益を達成するために、環境エネルギーを収穫したモバイルネットワークの電力化が最近進んでいる。 本稿では,電力回収装置を動力とする仮想小型セル (vscs) のネットワークについて検討し,その電力利用状況に応じて,ベースバンド (bb) 機能をグリッド接続エッジサーバに同調的にオフロードできる充電可能なバッテリを備えることを検討する。 本稿では,対応するグリッドエネルギーとトラフィック減少率の最小化問題を定式化し,分散深部強化学習(DDRL)ソリューションを提案する。 vSC間の調整は、バッテリ状態情報の交換によって可能となる。 グリッドエネルギー消費と交通量減少率の観点からネットワーク性能の評価を行い,vSC間の知識交換による協調が最適に近い性能を達成することを確認した。 また,提案したDDRLソリューションは,ネットワーク性能の向上,環境変化への適応性の向上,およびベンチマークとして使用する表型マルチエージェント強化学習(MRL)ソリューションに対するコスト削減効果も確認した。

関連論文リスト

• SkyCharge: Deploying Unmanned Aerial Vehicles for Dynamic Load Optimization in Solar Small Cell 5G Networks [15.532817648696408]
  本稿では,無人機に搭載された航空機基地局を用いた新しいユーザ負荷伝達手法を提案する。 高エネルギーから低エネルギーセルへ航空BSを移動させることにより、ユーザ密度と航空BSの可用性に応じて、エネルギー不足のセルのエネルギー要求を許容する。 提案アルゴリズムは、BSの停電を低減し、一貫したスループットの安定性を維持し、無線通信システムの信頼性と堅牢性を高める能力を示す。
  論文  参考訳（メタデータ） (2023-11-21T19:17:39Z)
• Adaptive Dynamic Programming for Energy-Efficient Base Station Cell Switching [19.520603265594108]
  無線ネットワークの省エネは、次世代のセルネットワークの進化に対する需要が増大しているため、重要になっている。 本稿では,ネットワーク電力消費量を減らすために,オンライン最適化と併用して,基地局のセルをオン/オフする近似動的プログラミング(ADP)手法を提案する。
  論文  参考訳（メタデータ） (2023-10-05T14:50:12Z)
• Reducing the Environmental Impact of Wireless Communication via Probabilistic Machine Learning [2.0610589722626074]
  通信関連エネルギー消費は高く、6Gの効率向上が期待されているにもかかわらず、将来のネットワークで増加することが期待されている。 本稿では,現在および次世代のネットワーク仕様から,確率的推論手法を応用した2つの問題を要約する。 演算子特定性能封筒を維持しながら,ライブ通信ネットワーク上での既存のハードウェアのエネルギー消費を11%削減できる。
  論文  参考訳（メタデータ） (2023-09-19T09:48:40Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Threshold-Based Data Exclusion Approach for Energy-Efficient Federated Edge Learning [4.25234252803357]
  Federated Edge Learning (FEEL) は次世代無線ネットワークにおいて有望な分散学習技術である。 FEELは、モデルトレーニングラウンド中に消費される電力により、エネルギー制約された参加機器の寿命を大幅に短縮する可能性がある。 本稿では,FEELラウンドにおける計算および通信エネルギー消費を最小化するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T13:34:40Z)
• To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices [78.38046945665538]
  巨大なモバイルエッジデバイス上でのフェデレーション学習(FL)は、多数のインテリジェントなモバイルアプリケーションのための新たな地平を開く。 FLは、定期的なグローバル同期と継続的なローカルトレーニングにより、参加するデバイスに膨大な通信と計算負荷を課す。 フレキシブルな通信圧縮を可能にする収束保証FLアルゴリズムを開発。
  論文  参考訳（メタデータ） (2020-12-22T02:54:18Z)
• Communication Efficient Federated Learning with Energy Awareness over Wireless Networks [51.645564534597625]
  フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。 我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。 2つの最適化問題を定式化し、学習性能を最適化する。 FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-15T21:25:13Z)
• Lightwave Power Transfer for Federated Learning-based Wireless Networks [34.434349833489954]
  フェデレートラーニング(FL)は、分散した方法で共有機械学習モデルをトレーニングするための新しいテクニックとして最近紹介されている。 無線ネットワークにFLを実装することで、エネルギー制約のあるモバイルデバイスの寿命を大幅に短縮することができる。 本稿では,FLベースの無線ネットワークにおける光波電力伝送の適用に基づく物理層への新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-11T16:27:17Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)
• Wireless Power Control via Counterfactual Optimization of Graph Neural Networks [124.89036526192268]
  本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。 コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。 次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
  論文  参考訳（メタデータ） (2020-02-17T07:54:39Z)

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。