Fugu-MT 論文翻訳(概要): Dynamic Virtual Network Embedding Algorithm based on Graph Convolution Neural Network and Reinforcement Learning

論文の概要: Dynamic Virtual Network Embedding Algorithm based on Graph Convolution Neural Network and Reinforcement Learning

arxiv url: http://arxiv.org/abs/2202.02140v1
Date: Thu, 3 Feb 2022 02:37:45 GMT
ステータス: 処理完了
システム内更新日: 2022-02-07 15:29:52.834207
Title: Dynamic Virtual Network Embedding Algorithm based on Graph Convolution Neural Network and Reinforcement Learning
Title（参考訳）: グラフ畳み込みニューラルネットワークと強化学習に基づく動的仮想ネットワーク埋め込みアルゴリズム
Authors: Peiying Zhang, Chao Wang, Neeraj Kumar, Weishan Zhang, and Lei Liu
Abstract要約: 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。
参考スコア（独自算出の注目度）: 15.394489762270162
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Network virtualization (NV) is a technology with broad application prospects. Virtual network embedding (VNE) is the core orientation of VN, which aims to provide more flexible underlying physical resource allocation for user function requests. The classical VNE problem is usually solved by heuristic method, but this method often limits the flexibility of the algorithm and ignores the time limit. In addition, the partition autonomy of physical domain and the dynamic characteristics of virtual network request (VNR) also increase the difficulty of VNE. This paper proposed a new type of VNE algorithm, which applied reinforcement learning (RL) and graph neural network (GNN) theory to the algorithm, especially the combination of graph convolutional neural network (GCNN) and RL algorithm. Based on a self-defined fitness matrix and fitness value, we set up the objective function of the algorithm implementation, realized an efficient dynamic VNE algorithm, and effectively reduced the degree of resource fragmentation. Finally, we used comparison algorithms to evaluate the proposed method. Simulation experiments verified that the dynamic VNE algorithm based on RL and GCNN has good basic VNE characteristics. By changing the resource attributes of physical network and virtual network, it can be proved that the algorithm has good flexibility.
Abstract（参考訳）: ネットワーク仮想化(nv)は、幅広いアプリケーションの展望を持つ技術である。 VNE(Virtual Network Embedding)は,ユーザ関数要求に対して,よりフレキシブルな物理リソースアロケーションを提供することを目的とした,VNの中核的な指向性である。古典的なvne問題は通常ヒューリスティックな方法で解くが、この手法はしばしばアルゴリズムの柔軟性を制限し、時間制限を無視する。さらに、物理領域の分割自律性と仮想ネットワーク要求(VNR)の動的特性により、VNEの難易度も増大する。本稿では、強化学習(RL)とグラフニューラルネットワーク(GNN)理論をアルゴリズム、特にグラフ畳み込みニューラルネットワーク(GCNN)とRLアルゴリズムの組み合わせに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き,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,資源断片化の程度を効果的に低減した。最後に,提案手法の評価に比較アルゴリズムを用いた。シミュレーション実験により、RLとGCNNに基づく動的VNEアルゴリズムは、優れた基本VNE特性を有することが示された。物理ネットワークと仮想ネットワークのリソース属性を変更することで、アルゴリズムの柔軟性が良いことが証明できる。

関連論文リスト

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)
Scalable Resource Management for Dynamic MEC: An Unsupervised Link-Output Graph Neural Network Approach [36.32772317151467]
ディープラーニングは、タスクオフロードとリソース割り当てを最適化するために、モバイルエッジコンピューティング(MEC)でうまく採用されている。エッジネットワークのダイナミクスは、低スケーラビリティと高トレーニングコストという、ニューラルネットワーク(NN)ベースの最適化方法における2つの課題を提起する。本稿では,新たなリンクアウトプットGNN(LOGNN)ベースの資源管理手法を提案し,MECにおける資源割り当てを柔軟に最適化する。
論文参考訳（メタデータ） (2023-06-15T08:21:41Z)
The Integrated Forward-Forward Algorithm: Integrating Forward-Forward and Shallow Backpropagation With Local Losses [0.0]
本稿では,FFAと浅部バックプロパゲーションの双方の強度を組み合わせた統合手法を提案する。 Integrated Forward-Forward Algorithmでニューラルネットワークをトレーニングすることは、ロバストネスのような有利な特徴を持つニューラルネットワークを生成する可能性を秘めている。
論文参考訳（メタデータ） (2023-05-22T12:10:47Z)
Properties and Potential Applications of Random Functional-Linked Types of Neural Networks [81.56822938033119]
ランダム関数リンクニューラルネットワーク(RFLNN)は、深い構造を学習する別の方法を提供する。本稿では周波数領域の観点からRFLNNの特性について考察する。本稿では,より優れた性能でBLSネットワークを生成する手法を提案し,ポゾン方程式を解くための効率的なアルゴリズムを設計する。
論文参考訳（メタデータ） (2023-04-03T13:25:22Z)
Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
論文参考訳（メタデータ） (2023-03-06T18:59:13Z)
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)
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)
Resource Allocation via Graph Neural Networks in Free Space Optical Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文参考訳（メタデータ） (2020-06-26T14:20:48Z)

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。