論文の概要: AI-Empowered VNF Migration as a Cost-Loss-Effective Solution for Network Resilience

• arxiv url: http://arxiv.org/abs/2101.09343v1
• Date: Fri, 22 Jan 2021 21:47:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-20 17:19:35.704649
• Title: AI-Empowered VNF Migration as a Cost-Loss-Effective Solution for Network Resilience
• Title（参考訳）: ネットワークレジリエンスのためのコスト損失効率ソリューションとしてのaiによるvnfマイグレーション
• Authors: Amina Lejla Ibrahimpasic, Bin Han, and Hans D. Schotten
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.1602473788942325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With a wide deployment of Multi-Access Edge Computing (MEC) in the Fifth Generation (5G) mobile networks, virtual network functions (VNF) can be flexibly migrated between difference locations, and therewith significantly enhances the network resilience to counter the degradation in quality of service (QoS) due to network function outages. A balance has to be taken carefully, between the loss reduced by VNF migration and the operations cost generated thereby. To achieve this in practical scenarios with realistic user behavior, it calls for models of both cost and user mobility. This paper proposes a novel cost model and a AI-empowered approach for a rational migration of stateful VNFs, which minimizes the sum of operations cost and potential loss caused by outages, and is capable to deal with the complex realistic user mobility patterns.
• Abstract（参考訳）: 第5世代(5G)モバイルネットワークにおけるMulti-Access Edge Computing(MEC)の広範な展開により、仮想ネットワーク機能(VNF)は、異なるロケーション間で柔軟に移行することが可能となり、ネットワーク機能停止によるサービス品質(QoS)の低下に対処するネットワークレジリエンスが大幅に向上する。 VNFマイグレーションによる損失と、それによって発生する運用コストとの間には、バランスを慎重に取らなければならない。 これを現実的なユーザ動作で現実的なシナリオで実現するために、コストとユーザモビリティの両方のモデルが必要です。 本稿では,機能停止に伴う運用コストと潜在的な損失の総和を最小化し,複雑な現実的なユーザモビリティパターンを扱うことのできる,ステートフルなVNFの合理的マイグレーションのための,新しいコストモデルとAIを活用した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)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Fairness-Utilization Trade-off in Wireless Networks with Explainable Kolmogorov-Arnold Networks [14.51946231794179]
  本稿では,ネットワーク利用とユーザ株式のバランスをとるために$alpha$-fairnessを最適化することを目的とした,無線ネットワークにおける電力割り当ての課題に焦点を当てる。 推論コストの低い機械学習モデルのクラスであるKAN(Kolmogorov-Arnold Networks)を利用した新しいアプローチを提案する。 データセットの生成と分散化のために2つのアルゴリズムが提案され、様々なフェアネス目標を達成するための柔軟なフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-11-04T09:40:47Z)
• 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)
• 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)
• 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)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• MicroNet: Towards Image Recognition with Extremely Low FLOPs [117.96848315180407]
  MicroNetは計算コストの極めて低い効率的な畳み込みニューラルネットワークである。 MicroNetのファミリは、低いFLOP体制における最先端技術よりも大きなパフォーマンス向上を実現している。 例えば、MicroNet-M1は12のMFLOPを持つImageNet分類において61.1%のトップ-1の精度を達成し、MobileNetV3を11.3%上回っている。
  論文  参考訳（メタデータ） (2020-11-24T18:59:39Z)
• A Machine Learning-Based Migration Strategy for Virtual Network Function Instances [3.7783523378336104]
  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。
  論文  参考訳（メタデータ） (2020-06-15T15:03:27Z)
• 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。