論文の概要: Highly Accurate and Reliable Wireless Network Slicing in 5th Generation
Networks: A Hybrid Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2111.09416v1
- Date: Thu, 7 Oct 2021 10:05:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-12 05:33:32.546432
- Title: Highly Accurate and Reliable Wireless Network Slicing in 5th Generation
Networks: A Hybrid Deep Learning Approach
- Title（参考訳）: 第5世代ネットワークにおける高精度かつ信頼性の高い無線ネットワークスライシング:ハイブリッドディープラーニングアプローチ
- Authors: Sulaiman Khan, Suleman Khan, Yasir Ali, Muhammad Khalid, Zahid Ullah
and Shahid Mumtaz
- Abstract要約: 畳み込みニューラルネットワーク(CNN)と長期記憶(LSTM)を組み合わせたハイブリッドディープラーニングモデルを提案する。
全体の95.17%の精度は、その適用性を反映した提案されたモデルによって達成される。
- 参考スコア（独自算出の注目度）: 21.137037568638974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the current era, the next-generation networks like 5th generation (5G) and
6th generation (6G) networks require high security, low latency with a high
reliable standards and capacity. In these networks, reconfigurable wireless
network slicing is considered as one of the key elements for 5G and 6G
networks. A reconfigurable slicing allows the operators to run various
instances of the network using a single infrastructure for a better quality of
services (QoS). The QoS can be achieved by reconfiguring and optimizing these
networks using Artificial intelligence and machine learning algorithms. To
develop a smart decision-making mechanism for network management and
restricting network slice failures, machine learning-enabled reconfigurable
wireless network solutions are required. In this paper, we propose a hybrid
deep learning model that consists of a convolution neural network (CNN) and
long short term memory (LSTM). The CNN performs resource allocation, network
reconfiguration, and slice selection while the LSTM is used for statistical
information (load balancing, error rate etc.) regarding network slices. The
applicability of the proposed model is validated by using multiple unknown
devices, slice failure, and overloading conditions. The overall accuracy of
95.17% is achieved by the proposed model that reflects its applicability.
- Abstract（参考訳）: 現在、第5世代(5G)や第6世代の(6G)ネットワークのような次世代のネットワークは、高いセキュリティ、信頼性の高い標準とキャパシティを備えた低レイテンシを必要とする。
これらのネットワークでは、再構成可能な無線ネットワークスライシングが5Gおよび6Gネットワークの重要な要素の1つであると考えられている。
再構成可能なスライシングにより、オペレータは単一のインフラストラクチャを使用してネットワークのさまざまなインスタンスを実行し、より良い品質のサービス(QoS)を実現することができる。
qosは、人工知能と機械学習アルゴリズムを使用してこれらのネットワークを再構成し最適化することで実現できる。
ネットワーク管理とネットワークスライス障害の抑制のためのスマートな意思決定機構を開発するためには、機械学習可能な再構成可能な無線ネットワークソリューションが必要である。
本稿では,畳み込みニューラルネットワーク(CNN)と長期記憶(LSTM)を組み合わせたハイブリッドディープラーニングモデルを提案する。
CNNはリソース割り当て、ネットワーク再構成、スライス選択を行い、LSTMはネットワークスライスに関する統計情報(ロードバランシング、エラー率など)に使用される。
提案モデルの適用性は,複数の未知のデバイス,スライス故障,過負荷条件を用いて検証する。
全体の精度95.17%は、その適用可能性を反映した提案モデルによって達成される。
関連論文リスト
- Learning Load Balancing with GNN in MPTCP-Enabled Heterogeneous Networks [13.178956651532213]
本稿では,MP TCP 対応 HetNet の LB 問題に対処するグラフニューラルネットワーク (GNN) モデルを提案する。
従来のディープニューラルネットワーク(DNN)と比較して、提案したGNNベースのモデルには2つの重要な長所がある。
論文 参考訳（メタデータ） (2024-10-22T15:49:53Z) - 5G Network Slicing: Analysis of Multiple Machine Learning Classifiers [0.0]
本稿では,ロジスティック回帰モデル,線形判別モデル,k-ネアレスト近傍モデル,決定木モデル,ランダム森林モデル,SVC BernoulliNBモデル,ガウスアンNBモデルなど,さまざまな機械学習手法を評価し,ネットワークスライス検出における各モデルの精度と精度について検討する。
レポートでは5Gネットワークスライシングの概要も紹介されている。
論文 参考訳（メタデータ） (2023-10-03T02:16:50Z) - Adaptive Target-Condition Neural Network: DNN-Aided Load Balancing for
Hybrid LiFi and WiFi Networks [19.483289519348315]
機械学習は、複雑性に優しいロードバランシングソリューションを提供する可能性がある。
学習支援のSOTA(State-of-the-art)は,ネットワーク環境が変化すると再学習を必要とする。
適応目標条件ニューラルネットワーク(A-TCNN)と呼ばれる新しいディープニューラルネットワーク(DNN)構造を提案する。
論文 参考訳（メタデータ） (2022-08-09T20:46:13Z) - Optimized Quantum Networks [68.8204255655161]
量子ネットワークは、ネットワーク要求の前に様々な種類の絡み合いを生成することができる。
これを応用して、所望の機能に合わせた絡み合いベースの量子ネットワークを設計する。
論文 参考訳（メタデータ） (2021-07-21T18:00:07Z) - Learnable Expansion-and-Compression Network for Few-shot
Class-Incremental Learning [87.94561000910707]
破滅的忘れとモデルオーバーフィッティングの問題を解決するための学習可能な拡張・圧縮ネットワーク(LEC-Net)を提案する。
LEC-Netは機能の表現能力を拡大し、モデル正規化の観点から古いネットワークの特徴漂流を緩和します。
CUB/CIFAR-100データセットの実験では、LEC-Netがベースラインを57%改善し、最先端の56%を上回ります。
論文 参考訳（メタデータ） (2021-04-06T04:34:21Z) - Deep-Mobility: A Deep Learning Approach for an Efficient and Reliable 5G
Handover [0.0]
5Gセルネットワークは世界中に展開されており、このアーキテクチャは超高密度ネットワーク(UDN)デプロイメントをサポートしている。
小細胞はエンドユーザに5G接続を提供する上で非常に重要な役割を担います。
従来のハンドオーバ改善方式とは対照的に,ネットワークモビリティを管理するために,深層学習ニューラルネットワーク(DLNN)を実装した「ディープ・モビリティ」モデルを開発した。
論文 参考訳（メタデータ） (2021-01-17T00:31:37Z) - Channel Planting for Deep Neural Networks using Knowledge Distillation [3.0165431987188245]
我々は,植林と呼ばれる深層ニューラルネットワークのための新しいインクリメンタルトレーニングアルゴリズムを提案する。
本システムでは,ネットワーク性能向上のためのパラメータの少ない最適ネットワークアーキテクチャを探索できる。
CIFAR-10/100 や STL-10 などの異なるデータセットに対する提案手法の有効性を評価する。
論文 参考訳（メタデータ） (2020-11-04T16:29:59Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳（メタデータ） (2020-10-22T12:32:29Z) - Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。
標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2020-04-06T15:51:00Z) - Deep Learning for Radio Resource Allocation with Diverse
Quality-of-Service Requirements in 5G [53.23237216769839]
本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。
完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。
無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
論文 参考訳（メタデータ） (2020-03-29T04:48:22Z) - 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。