論文の概要: Proactive and AoI-aware Failure Recovery for Stateful NFV-enabled
Zero-Touch 6G Networks: Model-Free DRL Approach
- arxiv url: http://arxiv.org/abs/2103.03817v1
- Date: Tue, 2 Feb 2021 21:40:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 07:49:01.070617
- Title: Proactive and AoI-aware Failure Recovery for Stateful NFV-enabled
Zero-Touch 6G Networks: Model-Free DRL Approach
- Title（参考訳）: NFV対応ゼロタッチ6GネットワークのアクティブおよびAoI対応故障回復:モデルフリーDRLアプローチ
- Authors: Amirhossein Shaghaghi, Abolfazl Zakeri (Student Member, IEEE), Nader
Mokari (Senior Member, IEEE), Mohammad Reza Javan (Senior Member, IEEE),
Mohammad Behdadfar and Eduard A Jorswieck (Fellow, IEEE)
- Abstract要約: ゼロタッチPFR(ZT-PFR)と呼ばれるモデルフリー深部強化学習(DRL)に基づくアクティブ障害回復フレームワークを提案する。
ZT-PFRは、ネットワーク機能仮想化(NFV)対応ネットワークにおける組み込みステートフル仮想ネットワーク機能(VNF)用です。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a model-free deep reinforcement learning (DRL)-
based proactive failure recovery (PFR) framework called zero-touch PFR (ZT-PFR)
for the embedded stateful virtual network functions (VNFs) in network function
virtualization (NFV) enabled networks. To realize the ZT-PFR concept,
sequential decision-making based on network status is necessary. To this end,
we formulate an optimization problem for efficient resource usage by minimizing
the defined network cost function including resource cost and wrong decision
penalty. Inspired by ETSI and ITU, we propose a novel impending failure model
where each VNF state transition follows a Markov process. As a solution, we
propose state-of-the-art DRL-based methods such as soft actor-critic and
proximal policy optimization. Moreover, to keep network state monitoring
information at an acceptable level of freshness in order to make appropriate
decisions, we apply the concept of the age of information (AoI) to strike a
balance between the event and scheduling-based monitoring. Several simulation
scenarios are considered to show the effectiveness of our algorithm and provide
a fair comparison with baselines. Several key systems and DRL algorithm design
insights for PFR are drawn from our analysis and simulation results. For
example we use a hybrid neural network, consisting of long short time memory
(LSTM) layers in the DRL agent structure, to capture impending failure time
dependency.
- Abstract（参考訳）: 本稿では,ネットワーク機能仮想化(NFV)実現ネットワークにおける組込みステートフル仮想ネットワーク機能(VNF)に対するゼロタッチPFR(ZT-PFR)と呼ばれるモデルフリー深部強化学習(DRL)に基づくプロアクティブ障害回復(PFR)フレームワークを提案する。
ZT-PFRの概念を実現するには,ネットワーク状態に基づく逐次意思決定が必要である。
そこで本研究では,資源コストや不当な決定ペナルティを含むネットワークコスト関数を最小化し,効率的な資源利用のための最適化問題を定式化する。
ETSI と ITU に着想を得て,各 VNF 状態遷移がマルコフ過程に従うような,新しい入出力故障モデルを提案する。
そこで本研究では,ソフトアクター・アクティクスや近位ポリシー最適化など,最先端のDRLベースの手法を提案する。
さらに,ネットワーク状態の監視情報を適切な決定をするために,網状状態の監視情報を許容レベルに維持するために,イベントとスケジュールに基づく監視のバランスをとるために,情報年齢の概念(AoI)を適用した。
いくつかのシミュレーションシナリオでは,本アルゴリズムの有効性を示し,ベースラインとの比較を行った。
解析およびシミュレーション結果から,PFRのためのいくつかの重要なシステムとDRLアルゴリズムの設計知見を抽出した。
例えば、DRLエージェント構造内の長短時間メモリ(LSTM)層で構成されるハイブリッドニューラルネットワークを使用して、差し迫った障害時間依存性をキャプチャします。
関連論文リスト
- Event-Triggered Reinforcement Learning Based Joint Resource Allocation for Ultra-Reliable Low-Latency V2X Communications [10.914558012458425]
6G対応車載ネットワークは、安全クリティカルな情報をタイムリーに提供するための低遅延通信(URLLC)を確保するという課題に直面している。
車両間通信システム(V2X)の従来のリソース割り当てスキームは、従来の復号法に基づくアルゴリズムに依存している。
論文 参考訳（メタデータ） (2024-07-18T23:55:07Z) - Joint Admission Control and Resource Allocation of Virtual Network Embedding via Hierarchical Deep Reinforcement Learning [69.00997996453842]
本稿では,仮想ネットワークの埋め込みにおいて,入出力制御と資源配分を併用して学習する深層強化学習手法を提案する。
HRL-ACRAは,受入率と長期平均収益の両面で,最先端のベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2024-06-25T07:42:30Z) - DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z) - Intelligent Hybrid Resource Allocation in MEC-assisted RAN Slicing Network [72.2456220035229]
我々は,協調型MEC支援RANスライシングシステムにおける異種サービス要求に対するSSRの最大化を目指す。
最適ハイブリッドRAポリシーをインテリジェントに学習するためのRGRLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-02T01:36:13Z) - A Neuromorphic Architecture for Reinforcement Learning from Real-Valued
Observations [0.34410212782758043]
強化学習(RL)は複雑な環境における意思決定のための強力なフレームワークを提供する。
本稿では,実測値を用いてRL問題を解くための新しいスパイキングニューラルネットワーク(SNN)アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-07-06T12:33:34Z) - Performance Optimization for Variable Bitwidth Federated Learning in
Wireless Networks [103.22651843174471]
本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。
提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。
FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
論文 参考訳（メタデータ） (2022-09-21T08:52:51Z) - Depth-Optimized Delay-Aware Tree (DO-DAT) for Virtual Network Function
Placement [3.5584529568201377]
ネットワーク機能(NFV)はソリューションとして認識されているが、その実現性を保証するためにはいくつかの課題に対処する必要がある。
本稿では,VNF(Virtual Network)配置問題に対する機械学習による解決策を提案する。
論文 参考訳（メタデータ） (2020-06-02T17:18:20Z) - Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。
本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。
反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文 参考訳（メタデータ） (2020-05-20T11:11:47Z) - Deep Adaptive Inference Networks for Single Image Super-Resolution [72.7304455761067]
シングルイメージ超解像(SISR)は、ディープ畳み込みニューラルネットワーク(CNN)の展開により、近年大きく進歩している。
本稿では,深部SISR(AdaDSR)の適応型推論ネットワークを活用することで,この問題に対処する。
我々のAdaDSRは、SISRモデルをバックボーンとし、画像の特徴とリソース制約を入力として取り、ローカルネットワーク深さのマップを予測する軽量アダプタモジュールを備える。
論文 参考訳（メタデータ） (2020-04-08T10:08:20Z) - 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。