論文の概要: Q-Learning for Conflict Resolution in B5G Network Automation
- arxiv url: http://arxiv.org/abs/2107.13268v1
- Date: Wed, 28 Jul 2021 11:00:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 13:49:41.826122
- Title: Q-Learning for Conflict Resolution in B5G Network Automation
- Title（参考訳）: B5Gネットワーク自動化における紛争解決のためのQラーニング
- Authors: Sayantini Majumdar and Riccardo Trivisonno and Georg Carle
- Abstract要約: この研究は、中央集権的なオーケストレーションの代替として、ネットワーク自動化におけるコンフリクト解決のための広範囲なインテリジェンスを探求する。
ネットワーク自動化のためのQラーニング分散アプローチを提案し,ネットワークスライス自動スケーリングへの応用について検討した。
- 参考スコア（独自算出の注目度）: 0.9625436987364907
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network automation is gaining significant attention in the development of B5G
networks, primarily for reducing operational complexity, expenditures and
improving network efficiency. Concurrently operating closed loops aiming for
individual optimization targets may cause conflicts which, left unresolved,
would lead to significant degradation in network Key Performance Indicators
(KPIs), thereby resulting in sub-optimal network performance. Centralized
coordination, albeit optimal, is impractical in large scale networks and for
time-critical applications. Decentralized approaches are therefore envisaged in
the evolution to B5G and subsequently, 6G networks. This work explores
pervasive intelligence for conflict resolution in network automation, as an
alternative to centralized orchestration. A Q-Learning decentralized approach
to network automation is proposed, and an application to network slice
auto-scaling is designed and evaluated. Preliminary results highlight the
potential of the proposed scheme and justify further research work in this
direction.
- Abstract（参考訳）: ネットワーク自動化はb5gネットワークの開発において大きな注目を集めており、主に運用の複雑さ、支出、ネットワーク効率の改善を目的としている。
個別の最適化目標を目標とするクローズドループが同時に動作すると、未解決の競合が発生し、キーパフォーマンス指標(KPI)が大幅に低下し、ネットワーク性能が準最適になる。
集中コーディネーションは、大規模ネットワークや時間クリティカルなアプリケーションでは実用的ではない。
したがって、分散化アプローチはb5gとそれに続く6gネットワークの進化において検討されている。
この研究は、集中オーケストレーションの代替として、ネットワーク自動化におけるコンフリクト解決のための広範囲なインテリジェンスを探求する。
ネットワーク自動化へのqラーニング分散アプローチを提案し,ネットワークスライス自動スケーリングへの適用設計と評価を行った。
予備結果は,提案手法の可能性を浮き彫りにして,今後の研究成果を正当化する。
関連論文リスト
- Towards Intent-Based Network Management: Large Language Models for Intent Extraction in 5G Core Networks [10.981422497762837]
機械学習と人工知能を第5世代(5G)ネットワークに統合することで、ネットワークインテリジェンスの限界が明らかになった。
本稿では,5Gおよび次世代インテントベースネットワークのためのLLM(Large Language Model)の開発について述べる。
論文 参考訳（メタデータ） (2024-03-04T17:29:57Z) - An NWDAF Approach to 5G Core Network Signaling Traffic: Analysis and
Characterization [3.5573601621032935]
本稿では,5G Core(5GC)ネットワークとNetwork Data Analytics Function(NWDAF)の動作システムプロトタイプの実証に焦点をあてる。
ネットワーク生成データの解析は、教師なし学習、クラスタリングを通じてネットワーク内相互作用の中核を探索し、これらの結果を将来の機会と作業の洞察として評価する。
論文 参考訳（メタデータ） (2022-09-21T15:21:59Z) - 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) - A Model Drift Detection and Adaptation Framework for 5G Core Networks [3.5573601621032935]
本稿では,5Gコアネットワークのためのモデルドリフト検出および適応モジュールを提案する。
5Gコアネットワークの機能プロトタイプを使用して、ユーザの振る舞いのドリフトをエミュレートし、提案したフレームワークをデプロイしてテストする。
論文 参考訳（メタデータ） (2022-08-08T13:29:38Z) - 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) - Competing Adaptive Networks [56.56653763124104]
適応エージェントのチーム間での分散競争のためのアルゴリズムを開発する。
本稿では,生成的対向ニューラルネットワークの分散学習への応用について述べる。
論文 参考訳（メタデータ） (2021-03-29T14:42:15Z) - Large Scale Global Optimization Algorithms for IoT Networks: A
Comparative Study [29.884417706421218]
本研究では,無線センサネットワーク(WNS)の高次元での最適化について,分散検出の電力配分に着目して検討する。
大規模グローバル最適化(LGSO)問題に対処するために設計された4つのアルゴリズムを適用し比較する。
我々は,300次元,600次元,800次元の場合には,アルゴリズムの性能をいくつかの異なるケースで評価した。
論文 参考訳（メタデータ） (2021-02-22T18:59:22Z) - On Topology Optimization and Routing in Integrated Access and Backhaul
Networks: A Genetic Algorithm-based Approach [70.85399600288737]
IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。
我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。
メッシュベースのIABネットワークを実現する上での課題について論じる。
論文 参考訳（メタデータ） (2021-02-14T21:52:05Z) - Data-Driven Random Access Optimization in Multi-Cell IoT Networks with
NOMA [78.60275748518589]
非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。
本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。
ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
論文 参考訳（メタデータ） (2021-01-02T15:21:08Z) - 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) - Wireless Power Control via Counterfactual Optimization of Graph Neural
Networks [124.89036526192268]
本稿では,無線ネットワークにおけるダウンリンク電力制御の問題点について考察する。
コンカレントトランスミッション間の干渉を軽減するために,ネットワークトポロジを活用してグラフニューラルネットワークアーキテクチャを構築する。
次に、教師なし原始対実対実最適化手法を用いて最適電力配分決定を学習する。
論文 参考訳（メタデータ） (2020-02-17T07:54:39Z)
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。