論文の概要: MR-iNet Gym: Framework for Edge Deployment of Deep Reinforcement
Learning on Embedded Software Defined Radio
- arxiv url: http://arxiv.org/abs/2204.04507v1
- Date: Sat, 9 Apr 2022 16:28:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 18:12:24.720665
- Title: MR-iNet Gym: Framework for Edge Deployment of Deep Reinforcement
Learning on Embedded Software Defined Radio
- Title(参考訳): MR-iNet Gym: 組み込みソフトウェア定義無線における深層強化学習のエッジ展開のためのフレームワーク
- Authors: Jithin Jagannath, Kian Hamedani, Collin Farquhar, Keyvan Ramezanpour,
Anu Jagannath
- Abstract要約: 我々は、GPU組み込みソフトウェア定義無線(SDR)上に、深層強化学習に基づく電力制御エージェントを設計、展開する。
実現可能性を証明するため,コード分割多重アクセス(DS-CDMA)に基づくLPI/Dトランシーバにおける分散電力制御の問題を検討する。
我々は、ハードウェアテストベッドを再現するシナリオで、この ns3-gym シミュレーション環境における電力制御DRLエージェントを訓練する。
- 参考スコア(独自算出の注目度): 3.503370263836711
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dynamic resource allocation plays a critical role in the next generation of
intelligent wireless communication systems. Machine learning has been leveraged
as a powerful tool to make strides in this domain. In most cases, the progress
has been limited to simulations due to the challenging nature of hardware
deployment of these solutions. In this paper, for the first time, we design and
deploy deep reinforcement learning (DRL)-based power control agents on the GPU
embedded software defined radios (SDRs). To this end, we propose an end-to-end
framework (MR-iNet Gym) where the simulation suite and the embedded SDR
development work cohesively to overcome real-world implementation hurdles. To
prove feasibility, we consider the problem of distributed power control for
code-division multiple access (DS-CDMA)-based LPI/D transceivers. We first
build a DS-CDMA ns3 module that interacts with the OpenAI Gym environment.
Next, we train the power control DRL agents in this ns3-gym simulation
environment in a scenario that replicates our hardware testbed. Next, for edge
(embedded on-device) deployment, the trained models are optimized for real-time
operation without loss of performance. Hardware-based evaluation verifies the
efficiency of DRL agents over traditional distributed constrained power control
(DCPC) algorithm. More significantly, as the primary goal, this is the first
work that has established the feasibility of deploying DRL to provide optimized
distributed resource allocation for next-generation of GPU-embedded radios.
- Abstract(参考訳): 動的リソース割り当ては、次世代のインテリジェント無線通信システムにおいて重要な役割を果たす。
機械学習は、この領域で前進するための強力なツールとして活用されている。
ほとんどの場合、この進歩は、これらのソリューションのハードウェア展開が困難な性質のため、シミュレーションに限定されている。
本稿では,GPU組込みソフトウェア定義無線(SDR)上での深部強化学習(DRL)に基づく電力制御エージェントの設計と展開を行う。
この目的のために,シミュレーションスイートと組込みSDR開発が協調して実際の実装ハードルを克服する,エンドツーエンドフレームワーク(MR-iNet Gym)を提案する。
実現可能性を証明するため,コード分割多重アクセス(DS-CDMA)に基づくLPI/Dトランシーバにおける分散電力制御の問題を検討する。
我々はまず,OpenAI Gym環境と対話するDS-CDMA ns3モジュールを構築する。
次に、このns3-gymシミュレーション環境における電力制御DRLエージェントを、ハードウェアテストベッドを複製するシナリオで訓練する。
次に、edge (embedded on-device)デプロイメントでは、トレーニングされたモデルはパフォーマンスを損なうことなくリアルタイム操作に最適化される。
ハードウェアに基づく評価は、従来の分散制約電力制御(DCPC)アルゴリズムよりもDRLエージェントの効率を検証する。
さらに重要なのは、これが、次世代のGPU組み込み無線に最適化された分散リソースアロケーションを提供するためにDRLをデプロイする可能性を確立した最初の作業である。
関連論文リスト
- WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。
本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-11-11T02:48:00Z) - 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) - Programmable and Customized Intelligence for Traffic Steering in 5G
Networks Using Open RAN Architectures [16.48682480842328]
5G以降のモバイルネットワークは、前例のない規模で異質なユースケースをサポートする。
無線アクセスネットワーク(RAN)のこのようなきめ細かい制御は、現在のセルアーキテクチャでは不可能である。
クローズドループ制御を可能とし,ユーザレベルでRANをデータ駆動でインテリジェントに最適化するオープンアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-09-28T15:31:06Z) - Pervasive Machine Learning for Smart Radio Environments Enabled by
Reconfigurable Intelligent Surfaces [56.35676570414731]
Reconfigurable Intelligent Surfaces(RIS)の新たな技術は、スマート無線環境の実現手段として準備されている。
RISは、無線媒体上の電磁信号の伝搬を動的に制御するための、高度にスケーラブルで低コストで、ハードウェア効率が高く、ほぼエネルギーニュートラルなソリューションを提供する。
このような再構成可能な無線環境におけるRISの密配置に関する大きな課題の1つは、複数の準曲面の効率的な構成である。
論文 参考訳(メタデータ) (2022-05-08T06:21:33Z) - Multiagent Model-based Credit Assignment for Continuous Control [3.2595483703857835]
本研究は,継続的制御のための分散マルチエージェント強化学習フレームワークを提案する。
我々はまず,集中型最適化が可能な協調型マルチエージェントPPOフレームワークを開発する。
次にエージェント固有の報酬信号を計算する汎用ゲーム理論クレジット割り当てフレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-27T23:26:00Z) - ColO-RAN: Developing Machine Learning-based xApps for Open RAN
Closed-loop Control on Programmable Experimental Platforms [22.260874168813647]
ColO-RANは、ソフトウェア定義のRadios-in-the-loopを備えた、初めて一般公開された大規模O-RANテストフレームワークである。
ColO-RANは、O-RANコンポーネント、プログラム可能なベースステーション、および"無線データファクトリ"を使用した大規模ML研究を可能にする
DRLをベースとした適応制御の利点と課題を明らかにする。
論文 参考訳(メタデータ) (2021-12-17T15:14:22Z) - Federated Deep Reinforcement Learning for the Distributed Control of
NextG Wireless Networks [16.12495409295754]
次世代(NextG)ネットワークは、拡張現実(AR)やコネクテッド・自律走行車といった、インターネットの触覚を必要とするアプリケーションをサポートすることが期待されている。
データ駆動アプローチは、現在の運用条件に適応するネットワークの能力を改善することができる。
深部RL(DRL)は複雑な環境においても良好な性能を発揮することが示されている。
論文 参考訳(メタデータ) (2021-12-07T03:13:20Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳(メタデータ) (2021-10-28T08:14:57Z) - Reinforcement Learning for Datacenter Congestion Control [50.225885814524304]
渋滞制御アルゴリズムの成功は、レイテンシとネットワーク全体のスループットを劇的に改善する。
今日まで、このような学習ベースのアルゴリズムはこの領域で実用的な可能性を示さなかった。
実世界のデータセンターネットワークの様々な構成に一般化することを目的としたRLに基づくアルゴリズムを考案する。
本稿では,この手法が他のRL手法よりも優れており,トレーニング中に見られなかったシナリオに一般化可能であることを示す。
論文 参考訳(メタデータ) (2021-02-18T13:49:28Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳(メタデータ) (2020-12-25T07:08:50Z) - Edge Intelligence for Energy-efficient Computation Offloading and
Resource Allocation in 5G Beyond [7.953533529450216]
さらに5Gは、エッジデバイス、エッジサーバ、クラウドの異種機能を活用可能な、エッジクラウドオーケストレーションネットワークである。
マルチユーザ無線ネットワークでは、多様なアプリケーション要件とデバイス間の通信のための様々な無線アクセスモードの可能性により、最適な計算オフロード方式の設計が困難になる。
深層強化学習(Dep Reinforcement Learning, DRL)は、そのような問題に限定的で精度の低いネットワーク情報で対処する新興技術である。
論文 参考訳(メタデータ) (2020-11-17T05:51:03Z)
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。