論文の概要: OnSlicing: Online End-to-End Network Slicing with Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2111.01616v1
- Date: Tue, 2 Nov 2021 14:25:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-03 14:34:18.927972
- Title: OnSlicing: Online End-to-End Network Slicing with Reinforcement Learning
- Title(参考訳): OnSlicing: 強化学習によるオンラインエンドツーエンドネットワークスライシング
- Authors: Qiang Liu and Nakjung Choi and Tao Han
- Abstract要約: オンラインのエンド・ツー・エンドのネットワークスライシングシステムであるOnSlicingを提案する。
OnSlicingは、スライス毎に個別に学習し、新しい制約対応ポリシー更新方法を使用してSLAを維持する。
4G LTEと5G NR、OpenDayLight SDNプラットフォーム、OpenAir-CNコアネットワークでOpenAirInterfaceをベースとしたエンドツーエンドスライシングテストベッド上でOnSlicingを実装した。
- 参考スコア(独自算出の注目度): 11.420934703203878
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network slicing allows mobile network operators to virtualize infrastructures
and provide customized slices for supporting various use cases with
heterogeneous requirements. Online deep reinforcement learning (DRL) has shown
promising potential in solving network problems and eliminating the
simulation-to-reality discrepancy. Optimizing cross-domain resources with
online DRL is, however, challenging, as the random exploration of DRL violates
the service level agreement (SLA) of slices and resource constraints of
infrastructures. In this paper, we propose OnSlicing, an online end-to-end
network slicing system, to achieve minimal resource usage while satisfying
slices' SLA. OnSlicing allows individualized learning for each slice and
maintains its SLA by using a novel constraint-aware policy update method and
proactive baseline switching mechanism. OnSlicing complies with resource
constraints of infrastructures by using a unique design of action modification
in slices and parameter coordination in infrastructures. OnSlicing further
mitigates the poor performance of online learning during the early learning
stage by offline imitating a rule-based solution. Besides, we design four new
domain managers to enable dynamic resource configuration in radio access,
transport, core, and edge networks, respectively, at a timescale of subseconds.
We implement OnSlicing on an end-to-end slicing testbed designed based on
OpenAirInterface with both 4G LTE and 5G NR, OpenDayLight SDN platform, and
OpenAir-CN core network. The experimental results show that OnSlicing achieves
61.3% usage reduction as compared to the rule-based solution and maintains
nearly zero violation (0.06%) throughout the online learning phase. As online
learning is converged, OnSlicing reduces 12.5% usage without any violations as
compared to the state-of-the-art online DRL solution.
- Abstract(参考訳): ネットワークスライシングにより、モバイルネットワークオペレータはインフラストラクチャを仮想化し、異質な要件を持つさまざまなユースケースをサポートするためにカスタマイズされたスライスを提供することができる。
オンライン深層学習(DRL)は,ネットワーク問題を解く上で有望な可能性を秘めている。
しかし、オンラインDRLによるドメイン横断リソースの最適化は、DRLのランダムな探索がスライスとインフラストラクチャのリソース制約のサービスレベル合意(SLA)に違反しているため、難しい。
本稿では,オンラインのエンド・ツー・エンドのネットワークスライシングシステムであるOnSlicingを提案する。
OnSlicingはスライス毎に個別に学習し、新しい制約対応ポリシー更新方法とアクティブベースライン切替機構を用いてSLAを維持する。
オンスライスは、スライスにおけるアクション修正のユニークな設計と、インフラストラクチャにおけるパラメータコーディネーションを使用することで、インフラストラクチャのリソース制約に対応する。
OnSlicingは、ルールベースのソリューションをオフラインで模倣することで、早期学習のオンライン学習のパフォーマンスの低下をさらに軽減します。
さらに, 無線アクセス, 転送, コア, エッジネットワークにおける動的リソース構成を可能にする4つの新しいドメインマネージャを, 秒単位の時間スケールで設計する。
4G LTEと5G NR、OpenDayLight SDNプラットフォーム、OpenAir-CNコアネットワークでOpenAirInterfaceをベースとしたエンドツーエンドスライシングテストベッド上でOnSlicingを実装した。
実験の結果、OnSlicingはルールベースのソリューションと比較して61.3%の使用削減を実現し、オンライン学習フェーズを通してほぼゼロ違反(0.06%)を維持していることがわかった。
オンライン学習が収束するにつれ、onslicingは最先端のオンラインdrlソリューションに比べて、12.5%の使用率を損なうことなく削減する。
関連論文リスト
- 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) - Action-Quantized Offline Reinforcement Learning for Robotic Skill
Learning [68.16998247593209]
オフライン強化学習(RL)パラダイムは、静的な行動データセットを、データを収集したポリシーよりも優れたパフォーマンスのポリシーに変換するためのレシピを提供する。
本稿では,アクション量子化のための適応型スキームを提案する。
IQL,CQL,BRACといった最先端のオフラインRL手法が,提案手法と組み合わせることで,ベンチマークのパフォーマンスが向上することを示す。
論文 参考訳(メタデータ) (2023-10-18T06:07:10Z) - Federated Reinforcement Learning for Resource Allocation in V2X Networks [46.6256432514037]
資源配分はV2Xネットワークの性能に大きな影響を及ぼす。
リソース割り当てのための既存のアルゴリズムのほとんどは、最適化や機械学習に基づいている。
本稿では,連合型強化学習の枠組みの下で,V2Xネットワークにおける資源配分について検討する。
論文 参考訳(メタデータ) (2023-10-15T15:26:54Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳(メタデータ) (2023-03-16T21:06:13Z) - Atlas: Automate Online Service Configuration in Network Slicing [11.968135071159304]
我々は,スライスのサービス構成を自動化するオンラインスライシングシステムであるAtlasを提案する。
まず,Sim-to-realの差分を低減するための学習ベースシミュレータを設計する。
第2に、ベイズニューラルネットワークと並列トンプソンサンプリングを用いた新しいオフラインアルゴリズムを用いて、拡張シミュレータのポリシーをオフラインでトレーニングする。
第3に、安全な探索とガウス過程の回帰を伴う新しいオンラインアルゴリズムを用いて、実際のネットワークでポリシーをオンラインで学習する。
論文 参考訳(メタデータ) (2022-10-30T17:51:00Z) - Boosting Offline Reinforcement Learning via Data Rebalancing [104.3767045977716]
オフライン強化学習(RL)は、学習ポリシーとデータセットの分散シフトによって問題となる。
本稿では,データセットの再サンプリングが分散サポートを一定に保っているという観察に基づいて,オフラインRLアルゴリズムをシンプルかつ効果的に向上させる手法を提案する。
ReD(Return-based Data Re Balance)メソッドをダブします。これは10行未満のコード変更で実装でき、無視できる実行時間を追加します。
論文 参考訳(メタデータ) (2022-10-17T16:34:01Z) - Edge Rewiring Goes Neural: Boosting Network Resilience via Policy
Gradient [62.660451283548724]
ResiNetは、さまざまな災害や攻撃に対する回復力のあるネットワークトポロジを発見するための強化学習フレームワークである。
ResiNetは複数のグラフに対してほぼ最適のレジリエンス向上を実現し,ユーティリティのバランスを保ちながら,既存のアプローチに比べて大きなマージンを持つことを示す。
論文 参考訳(メタデータ) (2021-10-18T06:14:28Z) - A Heuristically Assisted Deep Reinforcement Learning Approach for
Network Slice Placement [0.7885276250519428]
本稿では,Deep Reinforcement Learning(DRL)に基づくハイブリッド配置ソリューションと,Power of Two Choices原則に基づく専用最適化を提案する。
提案したHuristically-Assisted DRL (HA-DRL) は,他の最先端手法と比較して学習プロセスの高速化と資源利用の促進を可能にする。
論文 参考訳(メタデータ) (2021-05-14T10:04:17Z) - Dynamic RAN Slicing for Service-Oriented Vehicular Networks via
Constrained Learning [40.5603189901241]
品質の異なる車両用インターネット(IoV)サービスにおける無線アクセスネットワーク(RAN)スライシング問題について検討する。
無線スペクトルと演算資源を動的に割り当てる動的RANスライシングフレームワークを提案する。
RAWSは,ベンチマークと比較すると,要求を高い確率で満たしながら,システムコストを効果的に削減できることを示す。
論文 参考訳(メタデータ) (2020-12-03T15:08:38Z) - DeepSlicing: Deep Reinforcement Learning Assisted Resource Allocation
for Network Slicing [20.723527476555574]
ネットワークスライシングにより、同じ物理インフラストラクチャ上で複数の仮想ネットワークが動作し、5G以降のさまざまなユースケースをサポートすることができる。
これらのユースケースには、通信や計算、レイテンシやスループットといったさまざまなパフォーマンス指標など、非常に多様なネットワークリソース要求があります。
乗算器の交互方向法(ADMM)と深部強化学習(DRL)を統合したDeepSlicingを提案する。
論文 参考訳(メタデータ) (2020-08-17T20:52:19Z) - 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)
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。