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
- 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 [89.23404108080585]
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) - FORLORN: A Framework for Comparing Offline Methods and Reinforcement
Learning for Optimization of RAN Parameters [0.0]
本稿では,ネットワーク環境におけるRLエージェントの性能をns-3でシミュレートする新しいフレームワークを提案する。
このフレームワークでは、ドメイン固有の知識を持たないRLエージェントが、静的シナリオにおけるオフライン最適化に適合するように、Radio Access Network(RAN)パラメータを効率的に調整する方法を学習できることを実証する。
論文 参考訳(メタデータ) (2022-09-08T12:58:09Z) - 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) - Deep Learning-based Resource Allocation For Device-to-Device
Communication [66.74874646973593]
デバイス間通信(D2D)を用いたマルチチャネルセルシステムにおいて,リソース割り当ての最適化のためのフレームワークを提案する。
任意のチャネル条件に対する最適な資源配分戦略をディープニューラルネットワーク(DNN)モデルにより近似する深層学習(DL)フレームワークを提案する。
シミュレーションの結果,提案手法のリアルタイム性能を低速で実現できることが確認された。
論文 参考訳(メタデータ) (2020-11-25T14:19:23Z) - 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)
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。