論文の概要: Space-Air-Ground Integrated Multi-domain Network Resource Orchestration
based on Virtual Network Architecture: a DRL Method
- arxiv url: http://arxiv.org/abs/2202.02459v1
- Date: Thu, 3 Feb 2022 02:57:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 17:11:04.247940
- Title: Space-Air-Ground Integrated Multi-domain Network Resource Orchestration
based on Virtual Network Architecture: a DRL Method
- Title（参考訳）: 仮想ネットワークアーキテクチャに基づく空間空域統合型マルチドメインネットワークリソースオーケストレーション:DRL法
- Authors: Peiying Zhang, Chao Wang, Neeraj Kumar, and Lei Liu
- Abstract要約: 宇宙空間統合ネットワーク(SAGIN)は、産業における研究の焦点となっている。
SAGINのデプロイと使用は依然として大きな課題に直面しており、その中では異種リソースのオーケストレーションが重要な問題である。
仮想ネットワークアーキテクチャと深部強化学習(DRL)に基づいて,SAGINクロスドメインVNEアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 15.019721463896468
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional ground wireless communication networks cannot provide
high-quality services for artificial intelligence (AI) applications such as
intelligent transportation systems (ITS) due to deployment, coverage and
capacity issues. The space-air-ground integrated network (SAGIN) has become a
research focus in the industry. Compared with traditional wireless
communication networks, SAGIN is more flexible and reliable, and it has wider
coverage and higher quality of seamless connection. However, due to its
inherent heterogeneity, time-varying and self-organizing characteristics, the
deployment and use of SAGIN still faces huge challenges, among which the
orchestration of heterogeneous resources is a key issue. Based on virtual
network architecture and deep reinforcement learning (DRL), we model SAGIN's
heterogeneous resource orchestration as a multi-domain virtual network
embedding (VNE) problem, and propose a SAGIN cross-domain VNE algorithm. We
model the different network segments of SAGIN, and set the network attributes
according to the actual situation of SAGIN and user needs. In DRL, the agent is
acted by a five-layer policy network. We build a feature matrix based on
network attributes extracted from SAGIN and use it as the agent training
environment. Through training, the probability of each underlying node being
embedded can be derived. In test phase, we complete the embedding process of
virtual nodes and links in turn based on this probability. Finally, we verify
the effectiveness of the algorithm from both training and testing.
- Abstract（参考訳）: 従来の地上無線通信ネットワークは、デプロイメント、カバレッジ、キャパシティの問題により、インテリジェントトランスポートシステム(ITS)のような人工知能(AI)アプリケーションのための高品質なサービスを提供しない。
宇宙空間統合ネットワーク(SAGIN)は、産業における研究の焦点となっている。
従来の無線通信ネットワークと比較して、SAGINはより柔軟で信頼性が高く、より広い範囲とシームレスな接続の質が高い。
しかし、その固有の異質性、時間的変化、自己組織化の特性から、SAGINの展開と利用は依然として大きな課題に直面しており、不均一なリソースのオーケストレーションが重要な問題となっている。
仮想ネットワークアーキテクチャと深部強化学習(DRL)に基づいて,多領域仮想ネットワーク埋め込み(VNE)問題としてSAGINの異種資源オーケストレーションをモデル化し,SAGINクロスドメインVNEアルゴリズムを提案する。
我々は、SAGINの異なるネットワークセグメントをモデル化し、SAGINの実際の状況とユーザニーズに応じてネットワーク属性を設定する。
DRLでは、エージェントは5層ポリシーネットワークによって作用する。
SAGINから抽出したネットワーク属性に基づいて特徴行列を構築し,エージェント訓練環境として利用する。
トレーニングを通じて、埋め込まれている各ノードの確率を導出することができる。
テストフェーズでは、仮想ノードとリンクの埋め込みプロセスをこの確率に基づいて順次完了します。
最後に、トレーニングとテストの両方からアルゴリズムの有効性を検証する。
関連論文リスト
- FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - 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) - On the Interplay of Artificial Intelligence and Space-Air-Ground
Integrated Networks: A Survey [1.5883812630616518]
Space-Air-Ground Integrated Networks (SAGINs)は、第6世代(6G)無線ネットワークの重要な実現要因である。
本研究では,AIを活用したSAGINにおける最先端研究の総合的な概要を提供することで,AIとSAGINの相互作用を解明することを目的とする。
論文 参考訳（メタデータ） (2024-01-20T16:10:31Z) - Multi Agent DeepRL based Joint Power and Subchannel Allocation in IAB
networks [0.0]
統合アクセスとバックハウリング(IRL)は、将来の世代におけるより高いデータレートに対する前例のない要求を満たすための、実行可能なアプローチである。
本稿では,分数ノードに付随する巨大なアクション空間の問題を,Deep Q-Learning Networkを用いて処理する方法を示す。
論文 参考訳（メタデータ） (2023-08-31T21:30:25Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳（メタデータ） (2023-02-02T18:27:20Z) - Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks [68.00382171900975]
無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。
我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。
最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-01-09T09:30:23Z) - 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) - 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) - Semantic-Aware Collaborative Deep Reinforcement Learning Over Wireless
Cellular Networks [82.02891936174221]
複数のエージェントが無線ネットワーク上で協調できるコラボレーティブディープ強化学習(CDRL)アルゴリズムは有望なアプローチである。
本稿では,リソース制約のある無線セルネットワーク上で,意味的にリンクされたDRLタスクを持つ未学習エージェントのグループを効率的に協調させる,新しい意味認識型CDRL手法を提案する。
論文 参考訳（メタデータ） (2021-11-23T18:24:47Z) - 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。