論文の概要: Self-play Learning Strategies for Resource Assignment in Open-RAN Networks

• arxiv url: http://arxiv.org/abs/2103.02649v1
• Date: Wed, 3 Mar 2021 19:31:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-05 14:51:58.110847
• Title: Self-play Learning Strategies for Resource Assignment in Open-RAN Networks
• Title（参考訳）: Open-RANネットワークにおけるリソース割り当てのための自己再生学習戦略
• Authors: Xiaoyang Wang, Jonathan D Thomas, Robert J Piechocki, Shipra Kapoor, Raul Santos-Rodriguez, Arjun Parekh
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.763743638851161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open Radio Access Network (ORAN) is being developed with an aim to democratise access and lower the cost of future mobile data networks, supporting network services with various QoS requirements, such as massive IoT and URLLC. In ORAN, network functionality is dis-aggregated into remote units (RUs), distributed units (DUs) and central units (CUs), which allows flexible software on Commercial-Off-The-Shelf (COTS) deployments. Furthermore, the mapping of variable RU requirements to local mobile edge computing centres for future centralized processing would significantly reduce the power consumption in cellular networks. In this paper, we study the RU-DU resource assignment problem in an ORAN system, modelled as a 2D bin packing problem. A deep reinforcement learning-based self-play approach is proposed to achieve efficient RU-DU resource management, with AlphaGo Zero inspired neural Monte-Carlo Tree Search (MCTS). Experiments on representative 2D bin packing environment and real sites data show that the self-play learning strategy achieves intelligent RU-DU resource assignment for different network conditions.
• Abstract（参考訳）: Open Radio Access Network(ORAN)は、大規模なIoTやURLLCなど、さまざまなQoS要件のネットワークサービスをサポートするため、アクセスの民主化と将来のモバイルデータネットワークのコストの削減を目的として開発されています。 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、商業オフシェルフ(COTS)展開上の柔軟なソフトウェアを可能にします。 さらに、将来の集中処理のためのローカルなモバイルエッジコンピューティングセンタへの可変ru要求のマッピングは、セルラーネットワークの消費電力を大幅に削減する。 本稿では,2次元ビンパッキング問題としてモデル化されたoranシステムにおけるru-duリソース割り当て問題について検討する。 AlphaGo Zeroにインスパイアされたニューラルモンテカルロツリーサーチ(MCTS)を用いて,効率的なRU-DU資源管理を実現するために,深層強化学習に基づくセルフプレイ手法を提案する。 代表的2次元ビンパッキング環境と実地データを用いた実験により,ネットワーク条件の異なる知的ru-duリソース割り当てを実現する。

関連論文リスト

• Meta Reinforcement Learning Approach for Adaptive Resource Optimization in O-RAN [6.326120268549892]
  Open Radio Access Network (O-RAN) は、前例のない効率性と適応性を持つ現代のネットワークの変動要求に対処する。 本稿では,モデルに依存しないメタラーニング(MAML)にインスパイアされたメタ深層強化学習(Meta-DRL)戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-30T23:04:30Z)
• Semi-Supervised Learning Approach for Efficient Resource Allocation with Network Slicing in O-RAN [5.1435595246496595]
  本稿では資源配分問題に対する革新的なアプローチを紹介する。 Open Radio Access Network (O-RAN) におけるネットワークスライシングとリソース割り当てのために、複数の独立したx-appplications (xAPPs) を協調することを目的としている。
  論文  参考訳（メタデータ） (2024-01-16T22:23:27Z)
• 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)
• Intelligent Load Balancing and Resource Allocation in O-RAN: A Multi-Agent Multi-Armed Bandit Approach [4.834203844100679]
  負荷分散と資源配分(mmLBRA)のためのマルチエージェントマルチアームバンディットを提案する。 また,Non-RT RIC (Non-RT RIC) と近RT RIC (Non-RT RIC) で独立に動作可能な mmLBRA-LB と mmLBRA-RA のサブスキームを提案する。
  論文  参考訳（メタデータ） (2023-03-25T04:42:30Z)
• Reinforcement Learning Based Resource Allocation for Network Slices in O-RAN Midhaul [4.254099382808598]
  ネットワークスライシングは、Ultra-Reliable Low Communication (URLLC) や Enhanced Mobile Broadband (eMBB) など、異なるサービスに対する異なる要求に基づいて、第5世代(5G)モバイルネットワークリソース割り当てを想定している。 本研究は、ユーザ機器(UE)、エッジオクラウド、地域オクラウドの3つのコンポーネントを備えた、RL互換の簡易エッジネットワークシミュレータを実証する。 このシミュレータは後に、未使用帯域を他のスライスから動的に割り当てることで、ターゲットネットワークスライス(s)のスループットを改善する方法を見つけるために使われる。
  論文  参考訳（メタデータ） (2022-11-14T15:48:13Z)
• 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)
• State-Augmented Learnable Algorithms for Resource Management in Wireless Networks [124.89036526192268]
  本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。 提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
  論文  参考訳（メタデータ） (2022-07-05T18:02:54Z)
• 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)
• 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)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)
• 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。