論文の概要: Variational Autoencoders for Reliability Optimization in Multi-Access
Edge Computing Networks
- arxiv url: http://arxiv.org/abs/2201.10032v1
- Date: Tue, 25 Jan 2022 01:20:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-27 07:17:35.549703
- Title: Variational Autoencoders for Reliability Optimization in Multi-Access
Edge Computing Networks
- Title（参考訳）: マルチアクセスエッジコンピューティングネットワークにおける信頼性最適化のための変分オートエンコーダ
- Authors: Arian Ahmadi, Omid Semiari, Mehdi Bennis, and Merouane Debbah
- Abstract要約: マルチレイテンシエッジコンピューティング(MEC)は、サービス信頼性とレイテンシの厳しい新しいアプリケーションをサポートするために、将来の無線ネットワークの不可欠な部分と見なされている。
超信頼性と低レイテンシのMECを保証することは、無線リンクの不確実性、限られた通信とコンピューティングリソース、そして動的ネットワークトラフィックのために非常に難しい。
URLL MECの導入は、無線およびエッジコンピューティングシステムにおけるエンドツーエンド(E2E)のレイテンシと信頼性の統計を考慮に入れている。
- 参考スコア（独自算出の注目度）: 36.54164679645639
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-access edge computing (MEC) is viewed as an integral part of future
wireless networks to support new applications with stringent service
reliability and latency requirements. However, guaranteeing ultra-reliable and
low-latency MEC (URLL MEC) is very challenging due to uncertainties of wireless
links, limited communications and computing resources, as well as dynamic
network traffic. Enabling URLL MEC mandates taking into account the statistics
of the end-to-end (E2E) latency and reliability across the wireless and edge
computing systems. In this paper, a novel framework is proposed to optimize the
reliability of MEC networks by considering the distribution of E2E service
delay, encompassing over-the-air transmission and edge computing latency. The
proposed framework builds on correlated variational autoencoders (VAEs) to
estimate the full distribution of the E2E service delay. Using this result, a
new optimization problem based on risk theory is formulated to maximize the
network reliability by minimizing the Conditional Value at Risk (CVaR) as a
risk measure of the E2E service delay. To solve this problem, a new algorithm
is developed to efficiently allocate users' processing tasks to edge computing
servers across the MEC network, while considering the statistics of the E2E
service delay learned by VAEs. The simulation results show that the proposed
scheme outperforms several baselines that do not account for the risk analyses
or statistics of the E2E service delay.
- Abstract（参考訳）: マルチアクセスエッジコンピューティング(MEC)は、サービス信頼性とレイテンシの厳しい新しいアプリケーションをサポートするために、将来の無線ネットワークの不可欠な部分と見なされている。
しかし、無線リンクの不確実性、限られた通信や計算資源、動的ネットワークトラフィックなどにより、超信頼性・低レイテンシMEC(URLL MEC)の保証は極めて困難である。
URLL MECの導入は、無線およびエッジコンピューティングシステムにおけるエンドツーエンド(E2E)のレイテンシと信頼性の統計を考慮に入れている。
本稿では,e2eサービス遅延の分布を考慮し,無線通信とエッジコンピューティングのレイテンシを包含し,mecネットワークの信頼性を最適化する新しい枠組みを提案する。
提案フレームワークは、E2Eサービス遅延の完全な分布を推定するために、相関式変分オートエンコーダ(VAE)に基づいて構築される。
この結果から,リスク理論に基づく新たな最適化問題を定式化し,リスク条件値(CVaR)をE2Eサービス遅延のリスク尺度として最小化し,ネットワーク信頼性を最大化する。
この問題を解決するために,VAEが学習したE2Eサービス遅延の統計を考慮しつつ,ユーザの処理タスクをMECネットワーク上のエッジコンピューティングサーバに効率的に割り当てるアルゴリズムを開発した。
シミュレーションの結果,提案手法は,e2eサービス遅延のリスク解析や統計を考慮しない複数のベースラインよりも優れていることがわかった。
関連論文リスト
- SafeTail: Efficient Tail Latency Optimization in Edge Service Scheduling via Computational Redundancy Management [2.707215971599082]
拡張現実のような新興アプリケーションは、ユーザデバイスに高い信頼性を持つ低レイテンシコンピューティングサービスを必要とする。
私たちはSafeTailを紹介した。これは中央値と末尾の応答時間の両方の目標を満たすフレームワークで、テールレイテンシは90%以上のレイテンシで定義されています。
論文 参考訳（メタデータ） (2024-08-30T10:17:37Z) - Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。
信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
論文 参考訳（メタデータ） (2024-06-29T02:40:28Z) - Digital Twin-assisted Reinforcement Learning for Resource-aware
Microservice Offloading in Edge Computing [12.972771759204264]
本稿では,深部強化学習(DRL)とディジタルツイン技術を活用した新しいマイクロサービスオフロードアルゴリズムDTDRLMOを紹介する。
具体的には、協調エッジコンピューティングのエッジノード負荷の変化とネットワーク条件をリアルタイムに予測し、適応するためにデジタルツイン技術を用いる。
このアプローチは効率的なオフロード計画の生成を可能にし、各マイクロサービスに最適なエッジノードを選択する。
論文 参考訳（メタデータ） (2024-03-13T16:44:36Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Intelligent O-RAN Traffic Steering for URLLC Through Deep Reinforcement
Learning [3.59419219139168]
Open RAN(O-RAN)は、インテリジェントなRANアーキテクチャを構築するための有望なパラダイムである。
本稿では,機械学習(ML)に基づくトラフィックステアリング(TS)方式を提案する。
我々のソリューションは、O-RANのxAppsとして提供される従来のリアクティブTSアプローチに対して評価され、デプロイされたすべてのSFC間で平均15.81パーセントの待ち行列が減少することを示している。
論文 参考訳（メタデータ） (2023-03-03T14:34:25Z) - Accuracy-Guaranteed Collaborative DNN Inference in Industrial IoT via
Deep Reinforcement Learning [10.223526707269537]
計算集約型ディープニューラルネットワーク(DNN)推論サービスをサポートするためには,IoT(Industrial Internet of Things)デバイスとエッジネットワークのコラボレーションが不可欠だ。
本稿では,産業用IoTネットワークにおける協調推論問題について検討する。
論文 参考訳（メタデータ） (2022-12-31T05:53:17Z) - On Jointly Optimizing Partial Offloading and SFC Mapping: A Cooperative
Dual-agent Deep Reinforcement Learning Approach [8.168647937560504]
本稿では,計算可能なMECシステムにおける部分オフロードとSFCマッピング共同最適化(POSMJO)問題について検討する。
目的は、実行遅延、MDのエネルギー消費、エッジコンピューティングの利用料金を組み合わせた長期的な平均コストを最小化することである。
本稿では,協調型二エージェント深部強化学習(CDADRL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-20T02:00:53Z) - Collaborative Intelligent Reflecting Surface Networks with Multi-Agent
Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。
本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文 参考訳（メタデータ） (2022-03-26T20:37:14Z) - 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) - RIS Enhanced Massive Non-orthogonal Multiple Access Networks: Deployment
and Passive Beamforming Design [116.88396201197533]
再構成可能なインテリジェントサーフェス(RIS)の配置と受動ビームフォーミング設計のための新しいフレームワークを提案する。
エネルギー効率を最大化するために、共同配置、位相シフト設計、および電力配分の問題を定式化する。
リアルタイムデータセットを活用することで,ユーザの遠隔交通需要を予測するために,LSTM(Long Short-term memory)ベースのエコー状態ネットワーク(ESN)アルゴリズムを提案する。
RISの展開と設計の連立問題を解くために,D3QNに基づく位置取得と位相制御アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-28T14:37:38Z)
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。