論文の概要: ENERO: Efficient Real-Time Routing Optimization

• arxiv url: http://arxiv.org/abs/2109.10883v1
• Date: Wed, 22 Sep 2021 17:53:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 13:33:16.870463
• Title: ENERO: Efficient Real-Time Routing Optimization
• Title（参考訳）: ENERO: 効率的なリアルタイムルーティング最適化
• Authors: Paul Almasan, Shihan Xiao, Xiangle Cheng, Xiang Shi, Pere Barlet-Ros, Albert Cabellos-Aparicio
• Abstract要約: 交通工学(TE)ソリューションは、高性能なリアルタイムネットワーク運用を実現する必要がある。 現在のTE技術は手工芸品や計算コストの高い解法に依存している。 本稿では,効率的なリアルタイムTEエンジンであるEeroを提案する。
• 参考スコア（独自算出の注目度）: 2.830334160074889
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wide Area Networks (WAN) are a key infrastructure in today's society. During the last years, WANs have seen a considerable increase in network's traffic as well as in the number of network applications. To enable the deployment of emergent network applications (e.g., Vehicular networks, Internet of Things), existing Traffic Engineering (TE) solutions must be able to achieve high performance real-time network operation. In addition, TE solutions must be able to adapt to dynamic scenarios (e.g., changes in the traffic matrix or topology link failures). However, current TE technologies rely on hand-crafted heuristics or computationally expensive solvers, which are not suitable for highly dynamic TE scenarios. In this paper we propose Enero, an efficient real-time TE engine. Enero is based on a two-stage optimization process. In the first one, it leverages Deep Reinforcement Learning (DRL) to optimize the routing configuration by generating a long-term TE strategy. We integrated a Graph Neural Network (GNN) into the DRL agent to enable efficient TE on dynamic networks. In the second stage, Enero uses a Local Search algorithm to improve DRL's solution without adding computational overhead to the optimization process. Enero offers a lower bound in performance, enabling the network operator to know the worst-case performance of the DRL agent. We believe that the lower bound in performance will lighten the path of deploying DRL-based solutions in real-world network scenarios. The experimental results indicate that Enero is able to operate in real-world dynamic network topologies in 4.5 seconds on average for topologies up to 100 edges.
• Abstract（参考訳）: 広域ネットワーク(WAN)は、今日の社会において重要なインフラである。 過去数年間、WANはネットワークのトラフィックとネットワークアプリケーションの数を大幅に増加させてきた。 創発的ネットワークアプリケーション(Vehicular Network、Internet of Thingsなど)のデプロイを可能にするためには、既存のTraffic Engineering(TE)ソリューションが高性能なリアルタイムネットワーク操作を実現する必要がある。 さらに、teソリューションは動的なシナリオ(例えば、トラフィックマトリックスの変更やトポロジーリンクの障害など)に適応できなければなりません。 しかし、現在のTE技術は、高度にダイナミックなTEシナリオには適さない手作りのヒューリスティックや計算コストの高い解法に依存している。 本稿では,効率的なリアルタイムTEエンジンであるエネロを提案する。 Eneroは2段階最適化プロセスに基づいている。 第一に、長期的なte戦略を生成してルーティング構成を最適化するために、深層強化学習(drl)を活用する。 動的ネットワーク上で効率的なTEを実現するために,グラフニューラルネットワーク(GNN)をDRLエージェントに統合した。 第2段階では、最適化プロセスに計算オーバーヘッドを加えることなく、ローカル検索アルゴリズムを使用してDRLのソリューションを改善する。 Eneroはパフォーマンスの低いバウンダリを提供しており、ネットワークオペレータはDRLエージェントの最悪のパフォーマンスを知ることができる。 パフォーマンスの低さは、現実のネットワークシナリオにおいてdrlベースのソリューションを展開する道筋を軽くすると信じています。 実験結果から,エネロは実世界の動的ネットワークトポロジにおいて,最大100エッジまでのトポロジの平均4.5秒で動作可能であることが示された。

関連論文リスト

• FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
  分散トレーニングは、システム設計と効率に関する重要な課題に直面します。 大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。 本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T16:13:19Z)
• Learning Sub-Second Routing Optimization in Computer Networks requires Packet-Level Dynamics [15.018408728324887]
  強化学習は、ルーティング決定を提供するネットワーク表現を学ぶのに役立つ。 汎用ネットワークトポロジにおけるルーティングのための最初のパケットレベル強化学習環境であるtextitPackeRL$を提示する。 また、サブ秒間ルーティング最適化を学習するための2つの新しいアルゴリズムも導入する。
  論文  参考訳（メタデータ） (2024-10-14T11:03:46Z)
• 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)
• A Deep Reinforcement Learning Approach for Adaptive Traffic Routing in Next-gen Networks [1.1586742546971471]
  次世代ネットワークは、トラフィックダイナミクスに基づいたネットワーク構成を自動化し、適応的に調整する必要がある。 交通政策を決定する伝統的な手法は、通常は手作りのプログラミング最適化とアルゴリズムに基づいている。 我々は適応的なトラフィックルーティングのための深層強化学習(DRL)アプローチを開発する。
  論文  参考訳（メタデータ） (2024-02-07T01:48:29Z)
• MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
  そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。 我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。 我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
  論文  参考訳（メタデータ） (2023-02-02T18:27:20Z)
• A Reinforcement Learning Approach to Optimize Available Network Bandwidth Utilization [3.254879465902239]
  深部強化学習(RL)を用いた並列TCPストリームの最適数を求めるための新しい手法を提案する。 我々のRLアルゴリズムは、最大15%高いスループットを達成しながら、ほぼ最適解を40%高速に見つけることができる。
  論文  参考訳（メタデータ） (2022-11-22T02:00:05Z)
• Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [68.7863363109948]
  本稿では,GPUの並列処理能力を活用してTE制御を高速化する学習型TEアルゴリズムTealを提案する。 問題スケールの削減と学習のトラクタビリティ向上のために,Tealはマルチエージェント強化学習(RL)アルゴリズムを用いて,各トラフィック要求を独立に割り当てる。 他のTE加速方式と比較して、Tealは需要を6～32%増やし、197～625倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2022-10-25T04:46:30Z)
• Accelerating Deep Reinforcement Learning for Digital Twin Network Optimization with Evolutionary Strategies [0.0]
  コミュニティは効率的なネットワーク管理の鍵となる手段としてDigital Twin Networks (DTN)を提案した。 Deep Reinforcement Learning (DRL) は,ネットワーク最適化問題の解法として高い性能を示した。 本稿では,経路最適化問題の解法として,進化的戦略(ES)を用いてDRLエージェントの訓練を行う。
  論文  参考訳（メタデータ） (2022-02-01T11:56:55Z)
• HANT: Hardware-Aware Network Transformation [82.54824188745887]
  ハードウェア・アウェア・ネットワーク・トランスフォーメーション(HANT)を提案する。 HANTは、ニューラルネットワーク検索のようなアプローチを使用して、非効率な操作をより効率的な代替手段に置き換える。 EfficientNetファミリの高速化に関する我々の結果は、ImageNetデータセットのトップ1の精度で最大3.6倍、0.4%の低下でHANTがそれらを加速できることを示している。
  論文  参考訳（メタデータ） (2021-07-12T18:46:34Z)
• Multi-Exit Semantic Segmentation Networks [78.44441236864057]
  本稿では,最先端セグメンテーションモデルをMESSネットワークに変換するフレームワークを提案する。 パラメトリド早期出口を用いた特別訓練されたCNNは、より簡単なサンプルの推測時に、その深さに沿って保存する。 接続されたセグメンテーションヘッドの数、配置、アーキテクチャとエグジットポリシーを併用して、デバイス機能とアプリケーション固有の要件に適応する。
  論文  参考訳（メタデータ） (2021-06-07T11:37:03Z)

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。