論文の概要: Resource Management and Security Scheme of ICPSs and IoT Based on VNE
Algorithm
- arxiv url: http://arxiv.org/abs/2202.01375v1
- Date: Thu, 3 Feb 2022 02:27:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-04 15:17:22.164509
- Title: Resource Management and Security Scheme of ICPSs and IoT Based on VNE
Algorithm
- Title(参考訳): VNEアルゴリズムに基づくICPSとIoTのリソース管理とセキュリティ手法
- Authors: Peiying Zhang, Chao Wang, Chunxiao Jiang, Neeraj Kumar, and Qinghua Lu
- Abstract要約: ICPSにおける資源割り当ての合理性と安全性を確保するために,仮想ネットワーク組み込み(VNE)アルゴリズムを提案する。
特に、アルゴリズム性能を改善する手段として強化学習法(RL)を用いる。
これは、計算、ストレージ、セキュリティの3次元リソースの制約を考慮した総合的な2段階RL-VNEアルゴリズムである。
- 参考スコア(独自算出の注目度): 28.48822311639421
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of Intelligent Cyber-Physical Systems (ICPSs) in virtual
network environment is facing severe challenges. On the one hand, the Internet
of things (IoT) based on ICPSs construction needs a large amount of reasonable
network resources support. On the other hand, ICPSs are facing severe network
security problems. The integration of ICPSs and network virtualization (NV) can
provide more efficient network resource support and security guarantees for IoT
users. Based on the above two problems faced by ICPSs, we propose a virtual
network embedded (VNE) algorithm with computing, storage resources and security
constraints to ensure the rationality and security of resource allocation in
ICPSs. In particular, we use reinforcement learning (RL) method as a means to
improve algorithm performance. We extract the important attribute
characteristics of underlying network as the training environment of RL agent.
Agent can derive the optimal node embedding strategy through training, so as to
meet the requirements of ICPSs for resource management and security. The
embedding of virtual links is based on the breadth first search (BFS) strategy.
Therefore, this is a comprehensive two-stage RL-VNE algorithm considering the
constraints of computing, storage and security three-dimensional resources.
Finally, we design a large number of simulation experiments from the
perspective of typical indicators of VNE algorithms. The experimental results
effectively illustrate the effectiveness of the algorithm in the application of
ICPSs.
- Abstract(参考訳): 仮想ネットワーク環境におけるインテリジェントサイバー物理システム(ICPS)の開発は、深刻な課題に直面している。
一方、ICPS構築に基づくモノのインターネット(IoT)は、合理的なネットワークリソースを大量にサポートする必要があります。
一方、ICPSは深刻なネットワークセキュリティ問題に直面している。
ICPSとネットワーク仮想化(NV)の統合により、IoTユーザにとってより効率的なネットワークリソースのサポートとセキュリティ保証が可能になる。
ICPSが直面している2つの問題に基づいて、ICPSにおける資源割り当ての合理性とセキュリティを確保するために、コンピューティング、ストレージリソース、セキュリティ制約を備えた仮想ネットワーク組み込み(VNE)アルゴリズムを提案する。
特に、アルゴリズム性能を改善する手段として強化学習法(RL)を用いる。
rlエージェントの訓練環境として,基盤ネットワークの重要な属性特性を抽出する。
agentはトレーニングを通じて最適なノード埋め込み戦略を導出して、リソース管理とセキュリティのためのicpsの要件を満たすことができる。
仮想リンクの埋め込みは、BFS(Broadth First Search)戦略に基づいている。
したがって、計算、記憶、セキュリティの3次元資源の制約を考慮した包括的2段階rl-vneアルゴリズムである。
最後に,vneアルゴリズムの典型的な指標の観点から,多数のシミュレーション実験を設計する。
実験結果は,ICPSの適用におけるアルゴリズムの有効性を効果的に示すものである。
関連論文リスト
- Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。
SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。
これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
論文 参考訳(メタデータ) (2025-01-20T15:52:43Z) - 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) - 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) - Generative AI-enabled Quantum Computing Networks and Intelligent
Resource Allocation [80.78352800340032]
量子コンピューティングネットワークは、大規模な生成AI計算タスクと高度な量子アルゴリズムを実行する。
量子コンピューティングネットワークにおける効率的なリソース割り当ては、量子ビットの可変性とネットワークの複雑さのために重要な課題である。
我々は、生成学習から量子機械学習まで、最先端強化学習(RL)アルゴリズムを導入し、最適な量子リソース割り当てを行う。
論文 参考訳(メタデータ) (2024-01-13T17:16:38Z) - Multi Objective Resource Optimization of Wireless Network Based on Cross
Domain Virtual Network Embedding [6.019028366261091]
本稿では,無線ネットワークリソース割り当てのための多目的最適化VNEアルゴリズムを提案する。
提案した目的式によると、最適化マッピングコスト、ネットワーク遅延、VNR受け入れ率について検討する。
論文 参考訳(メタデータ) (2022-02-03T07:26:10Z) - Network Resource Allocation Strategy Based on Deep Reinforcement
Learning [4.751282319342761]
本稿では,深部強化学習(DRL)に基づく二段階VNEアルゴリズムを提案する。
MLに基づく既存のVNEアルゴリズムは、基板ネットワーク表現とトレーニングモードの重要性を無視することが多いため、フル属性行列(FAM-DRL-VNE)に基づくDRL VNEアルゴリズムを提案する。
実験の結果,上記のアルゴリズムは他のアルゴリズム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) (2022-02-03T06:53:00Z) - 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) - When Deep Reinforcement Learning Meets Federated Learning: Intelligent
Multi-Timescale Resource Management for Multi-access Edge Computing in 5G
Ultra Dense Network [31.274279003934268]
まず,ブロックチェーンとAIを5Gエッジコンピューティングネットワークに統合した,インテリジェントな超高密度エッジコンピューティング(I-UDEC)フレームワークを提案する。
実時間および低オーバーヘッド計算のオフロード決定と資源配分戦略を実現するために,新しい2段階の深層強化学習法(textit2Ts-DRL)を設計する。
提案アルゴリズムはタスク実行時間を最大31.87%削減できる。
論文 参考訳(メタデータ) (2020-09-22T15:08:00Z) - 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) - 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。