Fugu-MT 論文翻訳(概要): Towards Intelligent RAN Slicing for B5G: Opportunities and Challenges

論文の概要: Towards Intelligent RAN Slicing for B5G: Opportunities and Challenges

arxiv url: http://arxiv.org/abs/2103.00227v1
Date: Sat, 27 Feb 2021 14:24:09 GMT
ステータス: 処理完了
システム内更新日: 2021-03-03 15:58:43.474703
Title: Towards Intelligent RAN Slicing for B5G: Opportunities and Challenges
Title（参考訳）: B5G用Intelligent RANスライスに向けて: 機会と課題
Authors: EmadElDin A Mazied, Lingjia Liu, Scott F. Midkiff
Abstract要約: 5Gネットワークおよびそれ以上(B5G)は、物理インフラの仮想インスタンス(スライス)を鍛造することでネットワークスライシングの概念を取り入れている。本稿ではRANスライシング(RAN-S)設計を強調する。スライスアイソレーションを確保しながらフレキシブルに(re)構成できるオンデマンドRAN-Sの形成は難しい。
参考スコア（独自算出の注目度）: 30.145634771445735
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To meet the diverse demands for wireless communication, fifth-generation (5G) networks and beyond (B5G) embrace the concept of network slicing by forging virtual instances (slices) of its physical infrastructure. While network slicing constitutes dynamic allocation of core network and radio access network (RAN) resources, this article emphasizes RAN slicing (RAN-S) design. Forming on-demand RAN-S that can be flexibly (re)-configured while ensuring slice isolation is challenging. A variety of machine learning (ML) techniques have been recently introduced for traffic forecasting and classification, resource usage prediction, admission control, scheduling, and dynamic resource allocation in RAN-S. Albeit these approaches grant opportunities towards intelligent RAN-S design, they raise critical challenges that need to be examined. This article underlines the opportunities and the challenges of incorporating ML into RAN-S by reviewing the cutting-edge ML-based techniques for RAN-S. It also draws few directions for future research towards intelligent RAN-S (iRAN-S).
Abstract（参考訳）: 無線通信の多様な要求を満たすために、第5世代(5G)ネットワークとその物理インフラストラクチャの仮想インスタンス(スライス)を鍛造することによってネットワークスライスの概念を採用しています。ネットワークスライスはコアネットワークと無線アクセスネットワーク(RAN)リソースの動的割り当てを構成するが、この記事はRANスライス(RAN-S)設計を強調している。スライスアイソレーションを確保しながらフレキシブルに(re)構成できるオンデマンドRAN-Sの形成は難しい。最近、RAN-Sにおけるトラフィック予測と分類、リソース使用予測、入試制御、スケジューリング、動的リソース割り当てのために、さまざまな機械学習(ML)技術が導入されています。この記事では、RAN-S の最先端の ML ベースの技術を検討することにより、RAN-S に ML を組み込む機会と課題について説明します。また、知的RAN-S (iRAN-S) に向けた将来の研究の方向性も少ない。

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)
Cross-Domain AI for Early Attack Detection and Defense Against Malicious Flows in O-RAN [5.196266559887213]
クロスドメイン人工知能(AI)は、Open Radio Access Network(O-RAN)におけるその応用はまだ初期段階にあるが、この問題に対処するための鍵となる。提案手法の可能性を実証し,93%の精度を達成した。このアプローチは、モバイルネットワークセキュリティにおける重要なギャップを埋めるだけでなく、ネットワークセキュリティ対策の有効性を高めるためのクロスドメインAIの可能性も示している。
論文参考訳（メタデータ） (2024-01-17T13:29:47Z)
Open RAN LSTM Traffic Prediction and Slice Management using Deep Reinforcement Learning [7.473473066047965]
本稿では,分散深部強化学習(DDRL)を用いたORANスライシングの新しい手法を提案する。シミュレーションの結果,ネットワーク性能が著しく向上し,特に違反の低減が図られた。これは、動的xAppの一部として、予測rAppと分散アクターの情報を共同で使用することの重要性を強調している。
論文参考訳（メタデータ） (2024-01-12T22:43:07Z)
Generative AI-aided Joint Training-free Secure Semantic Communications via Multi-modal Prompts [89.04751776308656]
本稿では,多モデルプロンプトを用いたGAI支援型SemComシステムを提案する。セキュリティ上の懸念に応えて、フレンドリーなジャマーによって支援される隠蔽通信の応用を紹介する。
論文参考訳（メタデータ） (2023-09-05T23:24:56Z)
Intelligent O-RAN Traffic Steering for URLLC Through Deep Reinforcement Learning [3.59419219139168]
Open RAN(O-RAN)は、インテリジェントなRANアーキテクチャを構築するための有望なパラダイムである。本稿では,機械学習(ML)に基づくトラフィックステアリング(TS)方式を提案する。我々のソリューションは、O-RANのxAppsとして提供される従来のリアクティブTSアプローチに対して評価され、デプロイされたすべてのSFC間で平均15.81パーセントの待ち行列が減少することを示している。
論文参考訳（メタデータ） (2023-03-03T14:34:25Z)
Enabling the Wireless Metaverse via Semantic Multiverse Communication [82.47169682083806]
無線ネットワーク上のメタバースは、第6世代(6G)無線システムの新たなユースケースである。メタバースを人間/機械エージェント固有のセマンティック・マルチバース(SM)に分解する新しいセマンティック・コミュニケーション・フレームワークを提案する。各エージェントに格納されたSMは、セマンティックエンコーダとジェネレータから構成され、生成人工知能(AI)の最近の進歩を活用する。
論文参考訳（メタデータ） (2022-12-13T21:21:07Z)
Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in O-RAN [11.464582983164991]
新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。 O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
論文参考訳（メタデータ） (2022-08-30T17:00:53Z)
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)
Distributed Learning in Wireless Networks: Recent Progress and Future Challenges [170.35951727508225]
次世代のワイヤレスネットワークは、エッジデバイスが収集するさまざまな種類のデータを分析する多くの機械学習ツールやアプリケーションを可能にする。エッジデバイスが生データ交換なしでMLモデルを協調的にトレーニングできるようにする手段として,分散学習と推論技術が提案されている。本稿では,ワイヤレスエッジネットワーク上で分散学習を効率的に効果的に展開する方法を包括的に研究する。
論文参考訳（メタデータ） (2021-04-05T20:57:56Z)
Self-play Learning Strategies for Resource Assignment in Open-RAN Networks [3.763743638851161]
open radio access network (oran) は、将来のモバイルデータネットワークのコストを削減し、アクセスを民主化する目的で開発されている。 ORANでは、ネットワーク機能はリモートユニット(RU)、分散ユニット(DU)、中央ユニット(CU)に分解される。
論文参考訳（メタデータ） (2021-03-03T19:31:29Z)
Communication-Efficient and Distributed Learning Over Wireless Networks: Principles and Applications [55.65768284748698]
機械学習(ML)は、第5世代(5G)通信システムなどのための有望なイネーブルである。本稿では、関連するコミュニケーションとMLの原則を概観し、選択したユースケースでコミュニケーション効率と分散学習フレームワークを提示することを目的とする。
論文参考訳（メタデータ） (2020-08-06T12:37:14Z)

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。