論文の概要: Evolutionary Optimization for Proactive and Dynamic Computing Resource
Allocation in Open Radio Access Network
- arxiv url: http://arxiv.org/abs/2201.04361v1
- Date: Wed, 12 Jan 2022 08:52:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 08:58:39.385628
- Title: Evolutionary Optimization for Proactive and Dynamic Computing Resource
Allocation in Open Radio Access Network
- Title（参考訳）: オープン無線アクセスネットワークにおけるアクティブ・動的資源配分の進化的最適化
- Authors: Gan Ruan, Leandro L. Minku, Zhao Xu, Xin Yao
- Abstract要約: Open Radio Access Network (O-RAN) におけるコンピュータリソースの自動割り当てを実現するためのインテリジェントな技術が求められている
このリソース割り当て問題を解決するための既存の問題定式化は、リソースのキャパシティユーティリティを不適切な方法で定義しているため不適切である。
問題をよりよく記述した新しい定式化が提案されている。
- 参考スコア（独自算出の注目度）: 4.9711284100869815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent techniques are urged to achieve automatic allocation of the
computing resource in Open Radio Access Network (O-RAN), to save computing
resource, increase utilization rate of them and decrease the delay. However,
the existing problem formulation to solve this resource allocation problem is
unsuitable as it defines the capacity utility of resource in an inappropriate
way and tends to cause much delay. Moreover, the existing problem has only been
attempted to be solved based on greedy search, which is not ideal as it could
get stuck into local optima. Considering those, a new formulation that better
describes the problem is proposed. In addition, as a well-known global search
meta heuristic approach, an evolutionary algorithm (EA) is designed tailored
for solving the new problem formulation, to find a resource allocation scheme
to proactively and dynamically deploy the computing resource for processing
upcoming traffic data. Experimental studies carried out on several real-world
datasets and newly generated artificial datasets with more properties beyond
the real-world datasets have demonstrated the significant superiority over a
baseline greedy algorithm under different parameter settings. Moreover,
experimental studies are taken to compare the proposed EA and two variants, to
indicate the impact of different algorithm choices.
- Abstract（参考訳）: オープンラジオアクセスネットワーク (O-RAN) における計算機資源の自動割り当てを実現するため, 計算機資源を節約し, 利用率を高め, 遅延を低減させる知的手法が求められている。
しかし、このリソース割り当て問題を解決するための既存の問題定式化は、リソースのキャパシティユーティリティを不適切な方法で定義し、多くの遅延を引き起こす傾向があるため不適切である。
さらに,既存の問題は,局所最適解法に陥るのが理想的ではなく,欲求探索に基づく解法が試みられているのみである。
これを考えると、この問題をよりよく説明する新しい定式化が提案されている。
さらに,グローバルな探索メタヒューリスティック手法として,新たな問題定式化を解くための進化的アルゴリズム (EA) が設計され,今後のトラフィックデータを処理するための計算資源を積極的に動的にデプロイする資源割り当てスキームが提案されている。
いくつかの実世界のデータセットと、実世界のデータセット以上の多くの特性を持つ新たに生成された人工データセットに関する実験研究は、異なるパラメータ設定下でのベースライングレディアルゴリズムよりも大きな優位性を示している。
さらに、異なるアルゴリズム選択の影響を示すために、提案するeaと2つのバリエーションを比較する実験を行った。
関連論文リスト
- Two-Timescale Model Caching and Resource Allocation for Edge-Enabled AI-Generated Content Services [55.0337199834612]
Generative AI(GenAI)は、カスタマイズされたパーソナライズされたAI生成コンテンツ(AIGC)サービスを可能にするトランスフォーメーション技術として登場した。
これらのサービスは数十億のパラメータを持つGenAIモデルの実行を必要とし、リソース制限の無線エッジに重大な障害を生じさせる。
我々は、AIGC品質とレイテンシメトリクスのトレードオフをバランスさせるために、AIGCサービスのジョイントモデルキャッシングとリソースアロケーションの定式化を導入する。
論文 参考訳（メタデータ） (2024-11-03T07:01:13Z) - 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) - An Improved Artificial Fish Swarm Algorithm for Solving the Problem of
Investigation Path Planning [8.725702964289479]
多集団差分進化(DE-CAFSA)に基づくカオス人工魚群アルゴリズムを提案する。
適応的な視野とステップサイズ調整を導入し、ランダムな動作を2オプト操作に置き換え、カオス理論と準最適解を導入する。
実験結果から、DECAFSAは、異なる大きさの様々な公開データセット上で、他のアルゴリズムよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-10-20T09:35:51Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳（メタデータ） (2023-09-04T17:30:21Z) - Analysis and Optimization of Wireless Federated Learning with Data
Heterogeneity [72.85248553787538]
本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。
ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。
実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-04T04:18:01Z) - Intelligent Proactive Fault Tolerance at the Edge through Resource Usage
Prediction [0.7046417074932255]
リカレントニューラルネットワーク(RNN)を用いたエッジリソース利用予測を利用した知的能動的フォールトトレランス(IPFT)手法を提案する。
本稿では,処理能力の欠如により許容範囲で品質・オブ・サービス(QoS)を提供するインフラの欠如に関連するプロセスフォールトに着目した。
論文 参考訳（メタデータ） (2023-02-09T00:42:34Z) - Adaptive Population-based Simulated Annealing for Uncertain Resource
Constrained Job Scheduling [6.2364674720444855]
リソース制約付きジョブスケジューリング(RCJS)は、既存の最適化手法では効率的に解決できない難しい最適化問題である。
本研究では,不確実性を伴うRCJSの既存手法の限界を克服できる適応型人口シミュレーションアルゴリズムを提案する。
その結果,提案アルゴリズムはRCJSインスタンスのベンチマークや不確実性レベルにおいて,既存の手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-10-31T03:20:41Z) - Resource-constrained Federated Edge Learning with Heterogeneous Data:
Formulation and Analysis [8.863089484787835]
ヘテロジニアスデータによる不均一な統計的課題を解決するために, 分散されたニュートン型ニュートン型トレーニングスキームであるFedOVAを提案する。
FedOVAはマルチクラス分類問題をより単純なバイナリ分類問題に分解し、アンサンブル学習を用いてそれぞれの出力を結合する。
論文 参考訳（メタデータ） (2021-10-14T17:35:24Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-27T17:38:51Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-14T12:38:21Z)
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。