論文の概要: RACE: A Reinforcement Learning Framework for Improved Adaptive Control of NoC Channel Buffers

• arxiv url: http://arxiv.org/abs/2205.13130v1
• Date: Thu, 26 May 2022 03:33:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 15:01:47.107295
• Title: RACE: A Reinforcement Learning Framework for Improved Adaptive Control of NoC Channel Buffers
• Title（参考訳）: RACE:NoCチャネルバッファの適応制御を改善する強化学習フレームワーク
• Authors: Kamil Khan, Sudeep Pasricha, and Ryan Gary Kim
• Abstract要約: 電力を同時に削減し、適応的なNoCバッファを実現するために、可逆多機能チャネル(RMC)バッファが提案されている。 RACEはネットワークの混雑をよく認識する新しい強化学習フレームワークである。 RACEは、最先端のNoCバッファ制御ポリシに対して、NoCレイテンシを最大48.9%削減し、エネルギー消費を最大47.1%削減する。
• 参考スコア（独自算出の注目度）: 3.572107803162502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network-on-chip (NoC) architectures rely on buffers to store flits to cope with contention for router resources during packet switching. Recently, reversible multi-function channel (RMC) buffers have been proposed to simultaneously reduce power and enable adaptive NoC buffering between adjacent routers. While adaptive buffering can improve NoC performance by maximizing buffer utilization, controlling the RMC buffer allocations requires a congestion-aware, scalable, and proactive policy. In this work, we present RACE, a novel reinforcement learning (RL) framework that utilizes better awareness of network congestion and a new reward metric ("falsefulls") to help guide the RL agent towards better RMC buffer control decisions. We show that RACE reduces NoC latency by up to 48.9%, and energy consumption by up to 47.1% against state-of-the-art NoC buffer control policies.
• Abstract（参考訳）: Network-on-chip (NoC) アーキテクチャは、パケット切替時にルータリソースの競合に対処するために、バッファーを使用してフリットを格納する。 近年,低消費電力化と隣接ルータ間の適応的nocバッファ化を実現するため,可逆型マルチファンクションチャネル(rmc)バッファが提案されている。 適応バッファリングはバッファ利用を最大化することでNoC性能を向上させることができるが、RCCバッファ割り当てを制御するには、混雑を意識し、スケーラブルでプロアクティブなポリシーが必要である。 本稿では,ネットワークの混雑に対する認識を向上する新しい強化学習(RL)フレームワーク RACE と,RL エージェントを RMC バッファ制御のより良い決定へ導くための新たな報酬指標 (falsefulls) を提案する。 RACEは、最先端のNoCバッファ制御ポリシに対して、NoCレイテンシを最大48.9%削減し、エネルギー消費を最大47.1%削減する。

関連論文リスト

• Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks [60.54852710216738]
  我々はD-RECと呼ばれる新しいデジタルツインアシスト最適化フレームワークを導入し、次世代無線ネットワークにおける信頼性の高いキャッシュを実現する。 信頼性モジュールを制約付き決定プロセスに組み込むことで、D-RECは、有利な制約に従うために、アクション、報酬、状態を適応的に調整することができる。
  論文  参考訳（メタデータ） (2024-06-29T02:40:28Z)
• EVAN: Evolutional Video Streaming Adaptation via Neural Representation [28.97998238325778]
  ニューラル表現(EVAN)による進化的ビデオ適応(Evolutional Video Adaptation)と呼ばれる新しいフレームワークは、ソフトアクター批判的強化学習に基づいて、NeRVモデルを適応的に送信することができる。 EVANは、リバッファリングを50%減らして既存のABRを上回り、20%近くを達成できる。
  論文  参考訳（メタデータ） (2024-04-15T16:08:18Z)
• Learning to Sail Dynamic Networks: The MARLIN Reinforcement Learning Framework for Congestion Control in Tactical Environments [53.08686495706487]
  本稿では, 正確な並列化可能なエミュレーション環境を利用して, 戦術ネットワークの環境を再現するRLフレームワークを提案する。 衛星通信(SATCOM)とUHFワイドバンド(UHF)の無線リンク間のボトルネックリンク遷移を再現した条件下で、MARLINエージェントを訓練することにより、我々のRL学習フレームワークを評価する。
  論文  参考訳（メタデータ） (2023-06-27T16:15:15Z)
• Structured Sparsity Learning for Efficient Video Super-Resolution [99.1632164448236]
  我々は、ビデオ超解像(VSR)モデルの特性に応じて、構造化スパシティ学習(SSL)と呼ばれる構造化プルーニング手法を開発する。 SSLでは,残差ブロック,リカレントネットワーク,アップサンプリングネットワークなど,VSRモデルのいくつかの重要なコンポーネントに対するプルーニングスキームを設計する。
  論文  参考訳（メタデータ） (2022-06-15T17:36:04Z)
• Learning Resilient Radio Resource Management Policies with Graph Neural Networks [124.89036526192268]
  我々は、ユーザ当たりの最小容量制約でレジリエントな無線リソース管理問題を定式化する。 有限個のパラメータ集合を用いてユーザ選択と電力制御ポリシーをパラメータ化できることを示す。 このような適応により,提案手法は平均レートと5番目のパーセンタイルレートとの良好なトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-03-07T19:40:39Z)
• IBAC: An Intelligent Dynamic Bandwidth Channel Access Avoiding Outside Warning Range Problem [25.363965252402604]
  IEEE 802.11axは、プライマリチャネルとセカンダリチャネルの概念を使い、ダイナミックバンド幅チャネルアクセス(DBCA)機構に繋がる。 チャネル結合中、不適切な帯域幅選択は衝突を引き起こす可能性がある。 OWRPを回避するために,DBCAのチャネル結合レベルを適応させるMAC層機構であるインテリジェントボンディング回避衝突(IBAC)を提案する。
  論文  参考訳（メタデータ） (2022-01-15T01:18:12Z)
• Structure-aware reinforcement learning for node-overload protection in mobile edge computing [3.3865605512957457]
  本研究は,エッジノードの過負荷を防止するための適応型入出力制御ポリシーを提案する。 このフレームワークは,ノードオーバーロード保護問題に対して,割引価格設定で動作するように拡張する。 実験により, SALMUTにより得られた全割引コストは, 最先端の深部RLアルゴリズムに類似していることが判明した。
  論文  参考訳（メタデータ） (2021-06-29T18:11:41Z)
• NANCY: Neural Adaptive Network Coding methodologY for video distribution over wireless networks [1.636104578028594]
  NANCYは、ビデオおよび適応ネットワーク符号化レート(ANCR)のための適応ビットレート(ABR)を生成するシステムである。 NANCYは、QoE(Quality of Experience)メトリクスとして定式化された報酬でニューラルネットワークモデルをトレーニングする。 その結果,NANCYはペンシーブやロバストMPCよりも平均QoEが29.91%,60.34%高い値を示した。
  論文  参考訳（メタデータ） (2020-08-21T15:55:32Z)
• CFR-RL: Traffic Engineering with Reinforcement Learning in SDN [5.718975715943091]
  本稿では,各トラフィック行列に対して重要なフローを自動的に選択するポリシーを学習する強化型スキームを提案する。 CFR-RLは、全トラフィックの10%-21.3%だけをリルートすることで、ほぼ最適性能を達成する。
  論文  参考訳（メタデータ） (2020-04-24T20:46:54Z)
• Discrimination-aware Network Pruning for Deep Model Compression [79.44318503847136]
  既存のプルーニング手法は、スクラッチからスパーシティ制約で訓練するか、事前訓練されたモデルと圧縮されたモデルの特徴マップ間の再構成誤差を最小限に抑えるかのいずれかである。 本稿では,識別能力に実際に寄与するチャネルを選択するために,識別認識チャネルプルーニング (DCP) と呼ばれる簡便な手法を提案する。 画像分類と顔認識の両方の実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-01-04T07:07:41Z)
• Non-Cooperative Game Theory Based Rate Adaptation for Dynamic Video Streaming over HTTP [89.30855958779425]
  Dynamic Adaptive Streaming over HTTP (DASH)は、新興かつ有望なマルチメディアストリーミング技術であることを示した。 本稿では,サーバの限られた輸出帯域幅をマルチユーザに対して最適に割り当てるアルゴリズムを提案し,その品質・オブ・エクスペリエンス(QoE)を公平性で最大化する。
  論文  参考訳（メタデータ） (2019-12-27T01:19:14Z)

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。