論文の概要: Multi Objective Resource Optimization of Wireless Network Based on Cross Domain Virtual Network Embedding

• arxiv url: http://arxiv.org/abs/2202.02139v1
• Date: Thu, 3 Feb 2022 07:26:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-07 15:30:10.083510
• Title: Multi Objective Resource Optimization of Wireless Network Based on Cross Domain Virtual Network Embedding
• Title（参考訳）: クロスドメイン仮想ネットワーク埋め込みに基づく無線ネットワークの多目的資源最適化
• Authors: Chao Wang, Tao Dong, Youxiang Duan, Qifeng Sun, and Peiying Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.019028366261091
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid development of virtual network architecture makes it possible for wireless network to be widely used. With the popularity of artificial intelligence (AI) industry in daily life, efficient resource allocation of wireless network has become a problem. Especially when network users request wireless network resources from different management domains, they still face many practical problems. From the perspective of virtual network embedding (VNE), this paper designs and implements a multi-objective optimization VNE algorithm for wireless network resource allocation. Resource allocation in virtual network is essentially a problem of allocating underlying resources for virtual network requests (VNRs). According to the proposed objective formula, we consider the optimization mapping cost, network delay and VNR acceptance rate. VNE is completed by node mapping and link mapping. In the experiment and simulation stage, it is compared with other VNE algorithms, the cross domain VNE algorithm proposed in this paper is optimal in the above three indicators. This shows the effectiveness of the algorithm in wireless network resource allocation.
• Abstract（参考訳）: 仮想ネットワークアーキテクチャの急速な発展により、無線ネットワークを広く利用できるようになった。 日常生活における人工知能(AI)産業の普及に伴い、無線ネットワークの効率的な資源配分が問題となっている。 特に、ネットワークユーザーが異なる管理領域から無線ネットワークリソースを要求する場合、多くの実践的な問題に直面している。 仮想ネットワーク埋め込み(VNE)の観点から,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アルゴリズムの設計と実装を行う。 仮想ネットワークにおけるリソース割り当ては、仮想ネットワーク要求(VNR)の基盤となるリソースを割り当てる問題である。 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。 VNEはノードマッピングとリンクマッピングによって完了する。 実験とシミュレーションの段階では他のVNEアルゴリズムと比較し,本論文で提案したクロスドメインVNEアルゴリズムは上記の3つの指標において最適である。 これは無線ネットワークリソース割り当てにおけるアルゴリズムの有効性を示す。

関連論文リスト

• GNN-Based Joint Channel and Power Allocation in Heterogeneous Wireless Networks [9.031738020845586]
  本稿では、異種無線ネットワークにおける共同資源配分問題に対処するGNNに基づくアルゴリズムを提案する。 提案アルゴリズムは,従来の最適化アルゴリズムと比較して高い計算効率で良好な性能を実現する。
  論文  参考訳（メタデータ） (2024-07-28T04:51:00Z)
• 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)
• State-Augmented Learnable Algorithms for Resource Management in Wireless Networks [124.89036526192268]
  本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。 提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
  論文  参考訳（メタデータ） (2022-07-05T18:02:54Z)
• 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)
• IoV Scenario: Implementation of a Bandwidth Aware Algorithm in Wireless Network Communication Mode [49.734868032441625]
  本稿では,マルチドメイン仮想ネットワーク埋め込みアルゴリズム(BA-VNE)を提案する。 このアルゴリズムは主に、ユーザが無線通信モードで多くの帯域幅を必要とする問題を対象としている。 本アルゴリズムの性能向上のために,粒子群最適化(PSO)アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2022-02-03T03:34:06Z)
• Dynamic Virtual Network Embedding Algorithm based on Graph Convolution Neural Network and Reinforcement Learning [15.394489762270162]
  本稿では,このアルゴリズムに強化学習(RL)とグラフニューラルネットワーク(GNN)理論を適用した新しいタイプのVNEアルゴリズムを提案する。 自己定義された適合行列と適合値に基づいて,アルゴリズム実装の目的関数を設定し,効率的な動的VNEアルゴリズムを実現し,資源の断片化の度合いを効果的に低減した。
  論文  参考訳（メタデータ） (2022-02-03T02:37:45Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Cognitive Radio Network Throughput Maximization with Deep Reinforcement Learning [58.44609538048923]
  RF-CRN(Radio Frequency powered Cognitive Radio Networks)は、IoT(Internet of Things)などの最新のネットワークの目と耳である可能性が高い。 自律的と考えるには、RF駆動のネットワークエンティティは、ネットワーク環境の不確実性の下でネットワークスループットを最大化するために、ローカルで決定する必要がある。 本稿では,この欠点を克服し,無線ゲートウェイがネットワークスループットを最大化するための最適なポリシーを導出できるように,深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-07-07T01:49:07Z)

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。