論文の概要: Deep Reinforcement Learning-Aided RAN Slicing Enforcement for B5G Latency Sensitive Services

• arxiv url: http://arxiv.org/abs/2103.10277v1
• Date: Thu, 18 Mar 2021 14:18:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 14:07:44.562422
• Title: Deep Reinforcement Learning-Aided RAN Slicing Enforcement for B5G Latency Sensitive Services
• Title（参考訳）: 深層強化学習支援ran slicing enforcement for b5g latency sensitive services
• Authors: Sergio Martiradonna, Andrea Abrardo, Marco Moretti, Giuseppe Piro, Gennaro Boggia
• Abstract要約: 本論文では、無線アクセスネットワークスライスと無線リソース管理に対処するために、ネットワークの端でDeep Reinforcement Learningを利用する新しいアーキテクチャを提案する。 提案手法の有効性を,自律走行型ユースケースを考慮したコンピュータシミュレーションにより検討した。
• 参考スコア（独自算出の注目度）: 10.718353079920007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The combination of cloud computing capabilities at the network edge and artificial intelligence promise to turn future mobile networks into service- and radio-aware entities, able to address the requirements of upcoming latency-sensitive applications. In this context, a challenging research goal is to exploit edge intelligence to dynamically and optimally manage the Radio Access Network Slicing (that is a less mature and more complex technology than fifth-generation Network Slicing) and Radio Resource Management, which is a very complex task due to the mostly unpredictably nature of the wireless channel. This paper presents a novel architecture that leverages Deep Reinforcement Learning at the edge of the network in order to address Radio Access Network Slicing and Radio Resource Management optimization supporting latency-sensitive applications. The effectiveness of our proposal against baseline methodologies is investigated through computer simulation, by considering an autonomous-driving use-case.
• Abstract（参考訳）: ネットワークエッジにおけるクラウドコンピューティング機能と人工知能の組み合わせにより、将来のモバイルネットワークをサービスおよび無線対応エンティティに転換し、今後の遅延に敏感なアプリケーションの要件に対処できるようになる。 この文脈では、エッジインテリジェンスを利用して、無線アクセスネットワークスライシング(第5世代ネットワークスライシングよりも成熟度が低く、複雑な技術である)と無線リソース管理を動的かつ最適に管理することが難しい研究目標である。 本稿では,遅延に敏感なアプリケーションをサポートする無線アクセスネットワークスライシングと無線リソース管理を最適化するために,ネットワークの端で深層強化学習を活用するアーキテクチャを提案する。 提案手法の有効性を,自律走行型ユースケースを考慮したコンピュータシミュレーションにより検討した。

関連論文リスト

• WirelessAgent: Large Language Model Agents for Intelligent Wireless Networks [16.722524706176767]
  無線ネットワークは、規模と複雑さの増大により、ますます課題に直面している。 これらの課題は、特に今後の6Gネットワークにおいて、高度なAI駆動戦略の必要性を浮き彫りにしている。 我々は、無線ネットワークにおける複雑なタスクを管理できるAIエージェントを開発するための新しいアプローチであるWirelessAgentを紹介する。
  論文  参考訳（メタデータ） (2024-09-12T11:48:01Z)
• Towards Scalable Wireless Federated Learning: Challenges and Solutions [40.68297639420033]
  効果的な分散機械学習フレームワークとして、フェデレートラーニング(FL)が登場します。 本稿では,ネットワーク設計と資源オーケストレーションの両面から,スケーラブルな無線FLを実現する上での課題と解決策について論じる。
  論文  参考訳（メタデータ） (2023-10-08T08:55:03Z)
• 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)
• Machine Learning-Based User Scheduling in Integrated Satellite-HAPS-Ground Networks [82.58968700765783]
  第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。 本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
  論文  参考訳（メタデータ） (2022-05-27T13:09:29Z)
• Pervasive Machine Learning for Smart Radio Environments Enabled by Reconfigurable Intelligent Surfaces [56.35676570414731]
  Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。 RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。 このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
  論文  参考訳（メタデータ） (2022-05-08T06:21:33Z)
• Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless Cellular Networks [82.02891936174221]
  複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。 本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:24:47Z)
• Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
  RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。 自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。 本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-07-07T01:49:07Z)
• Communication-Efficient Edge AI Inference Over Wireless Networks [33.1306043471745]
  我々は、低レイテンシでエネルギー効率のよいAIサービスを提供するために、ネットワークエッジにモデル推論を効率的に配置する原則を提示する。 これには、低遅延デバイス分散モデル推論のための無線分散コンピューティングフレームワークと、エネルギー効率の良いエッジ協調モデル推論のための無線協調送信戦略が含まれる。
  論文  参考訳（メタデータ） (2020-04-28T08:04:06Z)
• 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。