論文の概要: Machine Learning Empowered Intelligent Data Center Networking: A Survey
- arxiv url: http://arxiv.org/abs/2202.13549v2
- Date: Tue, 1 Mar 2022 02:43:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 13:02:46.752478
- Title: Machine Learning Empowered Intelligent Data Center Networking: A Survey
- Title（参考訳）: 機械学習を活用したインテリジェントデータセンターネットワーク:サーベイ
- Authors: Bo Li, Ting Wang, Peng Yang, Mingsong Chen, Shui Yu and Mounir Hamdi
- Abstract要約: 本稿では,機械学習のデータセンターネットワークへの応用を包括的に検討する。
フロー予測、フロー分類、ロードバランシング、リソース管理、ルーティング最適化、渋滞制御をカバーしている。
我々はREBEL-3Sと呼ばれる品質評価基準を設計し、これらの研究の長所と短所を公平に測定する。
- 参考スコア（独自算出の注目度）: 35.55535885962517
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To support the needs of ever-growing cloud-based services, the number of
servers and network devices in data centers is increasing exponentially, which
in turn results in high complexities and difficulties in network optimization.
To address these challenges, both academia and industry turn to artificial
intelligence technology to realize network intelligence. To this end, a
considerable number of novel and creative machine learning-based (ML-based)
research works have been put forward in recent few years. Nevertheless, there
are still enormous challenges faced by the intelligent optimization of data
center networks (DCNs), especially in the scenario of online real-time dynamic
processing of massive heterogeneous services and traffic data. To best of our
knowledge, there is a lack of systematic and original comprehensively
investigations with in-depth analysis on intelligent DCN. To this end, in this
paper, we comprehensively investigate the application of machine learning to
data center networking, and provide a general overview and in-depth analysis of
the recent works, covering flow prediction, flow classification, load
balancing, resource management, routing optimization, and congestion control.
In order to provide a multi-dimensional and multi-perspective comparison of
various solutions, we design a quality assessment criteria called REBEL-3S to
impartially measure the strengths and weaknesses of these research works.
Moreover, we also present unique insights into the technology evolution of the
fusion of data center network and machine learning, together with some
challenges and potential future research opportunities.
- Abstract（参考訳）: 成長を続けるクラウドベースのサービスのニーズをサポートするため、データセンター内のサーバやネットワークデバイスの数は指数関数的に増加し、結果としてネットワーク最適化の複雑さと困難が増している。
これらの課題に対処するために、学界も産業界も、ネットワークインテリジェンスを実現するために人工知能技術に目を向ける。
この目的のために、近年、多くの新規でクリエイティブな機械学習(MLベース)の研究が進められている。
それでも、特に大規模異種サービスとトラフィックデータのオンラインリアルタイム動的処理のシナリオにおいて、データセンターネットワーク(dcns)のインテリジェントな最適化が直面する大きな課題がある。
我々の知識を最大限に活用するために、インテリジェントDCNについて詳細な分析を行う体系的かつオリジナルな調査が欠如している。
そこで本稿では,機械学習のデータセンタネットワークへの応用を総合的に検討し,フロー予測,フロー分類,ロードバランシング,リソース管理,ルーティング最適化,混雑制御などを含む最近の研究の概要と詳細な分析を行う。
種々のソリューションを多次元・多視点で比較するために,REBEL-3Sと呼ばれる品質評価基準を設計し,これらの研究の長所と短所を公平に測定する。
さらに,データセンタネットワークと機械学習の融合技術の発展について,いくつかの課題や将来的な研究機会とともにユニークな知見を提示する。
関連論文リスト
- Towards Intelligent Network Management: Leveraging AI for Network
Service Detection [0.0]
本研究では,高度なネットワークトラフィック分類システムを構築するために機械学習手法を活用することに焦点を当てた。
我々は,様々なネットワークサービスタイプをリアルタイムに識別する,新しいデータ駆動型アプローチを提案する。
本システムは,ネットワークサービスを識別する際,顕著な精度を示す。
論文 参考訳（メタデータ） (2023-10-14T16:06:11Z) - 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) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳（メタデータ） (2022-04-29T08:06:05Z) - Pervasive AI for IoT Applications: Resource-efficient Distributed
Artificial Intelligence [45.076180487387575]
人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。
これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。
広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
論文 参考訳（メタデータ） (2021-05-04T23:42:06Z) - Machine Learning for Massive Industrial Internet of Things [69.52379407906017]
モノのインターネット(IIoT)は、モノのインターネット技術を産業環境に統合することで、将来の製造施設に革命をもたらします。
大規模なIIoTデバイスのデプロイでは、無線ネットワークがさまざまなQoS(Quality-of-Service)要件でユビキタス接続をサポートすることは困難である。
まず、一般的な非クリティカルかつクリティカルなIIoTユースケースの要件を要約します。
次に、大規模なIIoTシナリオと対応する機械学習ソリューションのユニークな特性を、その制限と潜在的な研究方向で識別します。
論文 参考訳（メタデータ） (2021-03-10T20:10:53Z) - Big Data Analytics Applying the Fusion Approach of Multicriteria
Decision Making with Deep Learning Algorithms [0.0]
複数基準に基づく意思決定は、ビッグデータ分析における代替効果に関連する様々な問題に対して解決すべき重要な問題の1つである。
意思決定のようなアルゴリズムや、マルチ基準に基づくディープラーニングメカニズムを含む、最新の機械学習技術に基づくソリューションを見つける傾向があります。
本質的には、ビジネス、農業、情報技術、コンピュータ科学を含むいくつかの分野は、深層学習と多基準に基づく意思決定問題を使用する。
論文 参考訳（メタデータ） (2021-02-02T05:56:03Z) - Deep Neural Mobile Networking [2.566129836901404]
この論文は、ディープニューラルネットワークの最近の進歩を活用して、モバイルネットワーク領域における重要な問題に対処する。
ディープラーニングベースのソリューションは、人間の専門知識なしに、生データから機能を自動的に抽出することができる。
論文 参考訳（メタデータ） (2020-10-23T09:23:36Z) - Artificial Intelligence (AI)-Centric Management of Resources in Modern
Distributed Computing Systems [22.550075095184514]
Cloud Data Centres (DCS) は大規模で複雑で異種であり、複数のネットワークと地理的境界に分散している。
IoT(Internet of Things)駆動のアプリケーションは、リアルタイム処理と迅速な応答を必要とする膨大なデータを生成しています。
既存のリソース管理システム(RMS)は、そのような複合システムや動的システムには静的またはソリューションが不十分である。
論文 参考訳（メタデータ） (2020-06-09T06:54:07Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。