論文の概要: Resource Allocation in Multicore Elastic Optical Networks: A Deep Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2207.02074v1
• Date: Tue, 5 Jul 2022 14:24:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-06 14:28:34.699053
• Title: Resource Allocation in Multicore Elastic Optical Networks: A Deep Reinforcement Learning Approach
• Title（参考訳）: マルチコア弾性光学ネットワークにおける資源配分:深層強化学習アプローチ
• Authors: Juan Pinto-R\'ios, Felipe Calder\'on, Ariel Leiva, Gabriel Hermosilla, Alejandra Beghelli, Danilo B\'orquez-Paredes, Astrid Lozada, Nicol\'as Jara, Ricardo Olivares, Gabriel Saavedra
• Abstract要約: 新しい環境はOpenAIのGymと互換性がある。 ネットワーク状態と物理層関連の側面を考慮してエージェントアクションを処理する。 ベストパフォーマンス剤は、ブロッキング確率の4倍の低下を達成する。
• 参考スコア（独自算出の注目度）: 47.187609203210705
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A deep reinforcement learning approach is applied, for the first time, to solve the routing, modulation, spectrum and core allocation (RMSCA) problem in dynamic multicore fiber elastic optical networks (MCF-EONs). To do so, a new environment - compatible with OpenAI's Gym - was designed and implemented to emulate the operation of MCF-EONs. The new environment processes the agent actions (selection of route, core and spectrum slot) by considering the network state and physical-layer-related aspects. The latter includes the available modulation formats and their reach and the inter-core crosstalk (XT), an MCF-related impairment. If the resulting quality of the signal is acceptable, the environment allocates the resources selected by the agent. After processing the agent's action, the environment is configured to give the agent a numerical reward and information about the new network state. The blocking performance of four different agents was compared through simulation to 3 baseline heuristics used in MCF-EONs. Results obtained for the NSFNet and COST239 network topologies show that the best-performing agent achieves, on average, up to a four-times decrease in blocking probability concerning the best-performing baseline heuristic methods.
• Abstract（参考訳）: 動的マルチコアファイバー弾性光ネットワーク(mcf-eons)におけるルーティング、変調、スペクトル、コア割り当て(rmsca)問題を解決するために、深層強化学習アプローチが初めて適用された。 そのため、OpenAIのGymと互換性のある新しい環境が設計され、MCF-EONの動作をエミュレートするために実装された。 新しい環境は、ネットワーク状態と物理層に関連した側面を考慮してエージェントアクション(経路、コア、スペクトルスロットの選択)を処理する。 後者には、利用可能な変調フォーマットとそのリーチ、MCF関連の障害であるコア間クロストーク(XT)が含まれている。 結果として得られる信号の品質が許容される場合、環境はエージェントによって選択されたリソースを割り当てる。 エージェントの動作を処理した後、環境が設定され、エージェントに新しいネットワーク状態に関する数値的な報酬と情報を与える。 4種類のエージェントのブロッキング性能をシミュレーションにより, MCF-EONの3つのベースラインヒューリスティックと比較した。 NSFNet と COST239 ネットワークトポロジーで得られた結果から,最良性能のエージェントは平均して,最良性能のベースラインヒューリスティック手法に関するブロッキング確率を 4 倍まで減少させることがわかった。

関連論文リスト

• A Bayesian Framework of Deep Reinforcement Learning for Joint O-RAN/MEC Orchestration [12.914011030970814]
  マルチアクセスエッジコンピューティング(MEC)は、コモディティプラットフォーム上でOpen Radio Access Network(O-RAN)と一緒に実装することで、低コストなデプロイメントを実現する。 本稿では,ベイジアンディープ強化学習(RL)を用いたO-RAN/MEC協調オーケストレーションを提案する。
  論文  参考訳（メタデータ） (2023-12-26T18:04:49Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• Multi-Agent Reinforcement Learning for Network Routing in Integrated Access Backhaul Networks [0.0]
  IABネットワークの遅延を最小化しながらパケット到着率を最大化することを目的としている。 この問題を解決するため、我々はマルチエージェントで部分的に観察されたマルコフ決定プロセス(POMD)を開発した。 A2Cは他の強化学習アルゴリズムよりも優れており、ネットワーク効率が向上し、利己的エージェントの挙動が低下することを示した。
  論文  参考訳（メタデータ） (2023-05-12T13:03:26Z)
• A Multi-objective Complex Network Pruning Framework Based on Divide-and-conquer and Global Performance Impairment Ranking [40.59001171151929]
  本稿では,多目的複合ネットワークプルーニングフレームワークを提案する。 提案アルゴリズムは,最先端プルーニング手法と同等の性能を実現する。
  論文  参考訳（メタデータ） (2023-03-28T12:05:15Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Optimal Power Allocation for Rate Splitting Communications with Deep Reinforcement Learning [61.91604046990993]
  このレターでは、レート分割多重アクセスネットワークにおいて、ユーザの電力割り当てを最適化するための新しいフレームワークを紹介します。 ネットワークでは、ユーザのために意図されたメッセージは、単一の共通部分と個々のプライベート部分に分割される。
  論文  参考訳（メタデータ） (2021-07-01T06:32:49Z)
• On Topology Optimization and Routing in Integrated Access and Backhaul Networks: A Genetic Algorithm-based Approach [70.85399600288737]
  IABネットワークにおけるトポロジ最適化とルーティングの問題について検討する。 我々は、IABノード配置と非IABバックホールリンク分布の両方に効率的な遺伝的アルゴリズムベースのスキームを開発する。 メッシュベースのIABネットワークを実現する上での課題について論じる。
  論文  参考訳（メタデータ） (2021-02-14T21:52:05Z)
• Fast Adaptive Task Offloading in Edge Computing based on Meta Reinforcement Learning [44.81038225683222]
  マルチアクセスエッジコンピューティング(MEC)は、クラウドサービスをネットワークエッジに拡張して、ネットワークトラフィックとサービスレイテンシを低減することを目的としている。 MECの基本的な問題は、モバイルアプリケーションの異種タスクをユーザ機器(UE)からMECホストに効率的にオフロードする方法である。 本稿では,メタ強化学習に基づくタスクオフロード手法を提案する。
  論文  参考訳（メタデータ） (2020-08-05T10:16:25Z)

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。