論文の概要: Predictive Closed-Loop Service Automation in O-RAN based Network Slicing
- arxiv url: http://arxiv.org/abs/2202.01966v1
- Date: Fri, 4 Feb 2022 04:34:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-07 16:01:21.937150
- Title: Predictive Closed-Loop Service Automation in O-RAN based Network Slicing
- Title（参考訳）: O-RANベースのネットワークスライシングにおける予測閉ループサービス自動化
- Authors: Joseph Thaliath, Solmaz Niknam, Sukhdeep Singh, Rahul Banerji, Navrati
Saxena, Harpreet S. Dhillon, Jeffrey H. Reed, Ali Kashif Bashir, Avinash Bhat
and Abhishek Roy
- Abstract要約: オープン無線アクセスネットワーク(O-RAN)は、上記全ての機能を継承する最も有望なRANアーキテクチャである。
本稿では、SLA違反を防止するために、O-RANスライシングのためのクローズドループおよびインテリジェントリソースプロビジョニングスキームを提供する。
- 参考スコア（独自算出の注目度）: 35.23159175375706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network slicing provides introduces customized and agile network deployment
for managing different service types for various verticals under the same
infrastructure. To cater to the dynamic service requirements of these verticals
and meet the required quality-of-service (QoS) mentioned in the service-level
agreement (SLA), network slices need to be isolated through dedicated elements
and resources. Additionally, allocated resources to these slices need to be
continuously monitored and intelligently managed. This enables immediate
detection and correction of any SLA violation to support automated service
assurance in a closed-loop fashion. By reducing human intervention, intelligent
and closed-loop resource management reduces the cost of offering flexible
services. Resource management in a network shared among verticals (potentially
administered by different providers), would be further facilitated through open
and standardized interfaces. Open radio access network (O-RAN) is perhaps the
most promising RAN architecture that inherits all the aforementioned features,
namely intelligence, open and standard interfaces, and closed control loop.
Inspired by this, in this article we provide a closed-loop and intelligent
resource provisioning scheme for O-RAN slicing to prevent SLA violations. In
order to maintain realism, a real-world dataset of a large operator is used to
train a learning solution for optimizing resource utilization in the proposed
closed-loop service automation process. Moreover, the deployment architecture
and the corresponding flow that are cognizant of the O-RAN requirements are
also discussed.
- Abstract（参考訳）: ネットワークスライシングは、同じインフラストラクチャ下でさまざまな業種に対してさまざまなサービスタイプを管理するための、カスタマイズされたアジャイルネットワークデプロイメントを提供する。
これらの分野の動的なサービス要件に対応し、サービスレベルアグリーメント(sla)で述べたqos(quality-of-service)を満たすためには、専用の要素とリソースを通じてネットワークスライスを分離する必要がある。
さらに、これらのスライスに割り当てられたリソースを継続的に監視し、インテリジェントに管理する必要がある。
これにより、SLA違反の即時検出と修正が可能になり、クローズドループ方式で自動サービス保証をサポートする。
人間の介入を減らすことで、インテリジェントでクローズドループなリソース管理は柔軟なサービスを提供するコストを削減します。
ネットワーク内のリソース管理は(異なるプロバイダによって潜在的に管理される)、オープンで標準化されたインターフェースによってさらに促進される。
オープン無線アクセスネットワーク(O-RAN)はおそらく、前述のすべての機能、すなわちインテリジェンス、オープンおよび標準インターフェース、クローズドコントロールループを継承する最も有望なRANアーキテクチャである。
ここでは、SLA違反を防止するために、O-RANスライシングのためのクローズドループとインテリジェントなリソースプロビジョニングスキームを提供する。
リアリズムを維持するために、提案するクローズドループサービス自動化プロセスでリソース利用を最適化するための学習ソリューションをトレーニングするために、大規模オペレータの実世界のデータセットを使用する。
さらに、O-RAN要求を認識したデプロイメントアーキテクチャとそれに対応するフローについても論じる。
関連論文リスト
- Learning to Slice Wi-Fi Networks: A State-Augmented Primal-Dual Approach [79.00655335405195]
ネットワークスライシングは、5G/NGセルラーネットワークにおいて重要な機能であり、様々なQoS(Quality-of-Service)要件の異なるサービスタイプ用にカスタマイズされたスライスを作成する。
Wi-Fiネットワークでは、スライシングに関する事前作業が限られており、潜在的なソリューションは、異なるスライスに異なるチャネルを割り当てる単一のアクセスポイント(AP)上のマルチテナントアーキテクチャに基づいている。
エルゴディック要件を満たすスライシング決定を生成するためには,国家の強化が不可欠であることを示す。
論文 参考訳（メタデータ） (2024-05-09T13:13:34Z) - Open RAN LSTM Traffic Prediction and Slice Management using Deep
Reinforcement Learning [7.473473066047965]
本稿では,分散深部強化学習(DDRL)を用いたORANスライシングの新しい手法を提案する。
シミュレーションの結果,ネットワーク性能が著しく向上し,特に違反の低減が図られた。
これは、動的xAppの一部として、予測rAppと分散アクターの情報を共同で使用することの重要性を強調している。
論文 参考訳（メタデータ） (2024-01-12T22:43:07Z) - Attention-based Open RAN Slice Management using Deep Reinforcement
Learning [6.177038245239758]
本稿では,O-RAN分散化モジュールと分散エージェント協調を利用した,革新的アテンションベースディープRL(ADRL)技術を提案する。
シミュレーションの結果,他のDRLベースライン法と比較してネットワーク性能が大幅に向上した。
論文 参考訳（メタデータ） (2023-06-15T20:37:19Z) - Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A
Reinforcement Learning Based Approach [61.74489383629319]
新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。
閉ループアクセス制御の強化学習(RL)支援方式を提案する。
深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
論文 参考訳（メタデータ） (2023-03-05T12:25:49Z) - Evolutionary Deep Reinforcement Learning for Dynamic Slice Management in
O-RAN [11.464582983164991]
新しいオープン無線アクセスネットワーク(O-RAN)は、フレキシブルな設計、分離された仮想およびプログラマブルなコンポーネント、インテリジェントクローズループ制御などの特徴を区別する。
O-RANスライシングは、状況の変化に直面したネットワーク品質保証(QoS)のための重要な戦略として検討されている。
本稿では,ネットワークスライスを知的に管理できる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-30T17:00:53Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文 参考訳（メタデータ） (2022-05-27T13:09:29Z) - CLARA: A Constrained Reinforcement Learning Based Resource Allocation
Framework for Network Slicing [19.990451009223573]
ネットワークスライシングは,5Gおよび将来のネットワークにおける資源利用のための有望なソリューションとして提案されている。
モデルや隠れ構造を知らずにCMDP(Constrained Markov Decision Process)として問題を定式化する。
本稿では、制約付き強化LeArningに基づくリソース割当アルゴリズムであるCLARAを用いて、この問題を解決することを提案する。
論文 参考訳（メタデータ） (2021-11-16T11:54:09Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳（メタデータ） (2021-06-03T16:45:40Z) - 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)
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。