論文の概要: DRL-M4MR: An Intelligent Multicast Routing Approach Based on DQN Deep Reinforcement Learning in SDN

• arxiv url: http://arxiv.org/abs/2208.00383v1
• Date: Sun, 31 Jul 2022 07:33:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-02 14:22:41.926183
• Title: DRL-M4MR: An Intelligent Multicast Routing Approach Based on DQN Deep Reinforcement Learning in SDN
• Title（参考訳）: DRL-M4MR:SDNにおけるDQN深層強化学習に基づくインテリジェントマルチキャストルーティング手法
• Authors: Chenwei Zhao, Miao Ye, Xingsi Xue, Jianhui Lv, Qiuxiang Jiang, Yong Wang
• Abstract要約: ソフトウェア定義ネットワーク(SDN)における最適マルチキャストルーティング問題は、多目的最適化問題として最適化される。 深部Qネットワーク(DQN)深部強化学習(DRL)法に基づくインテリジェントマルチキャストルーティングアルゴリズムDRL-M4MRはSDNでマルチキャストツリーを構築するために設計されている。 実験の結果,DRL-M4MRによるマルチキャストツリー構築は,既存のアルゴリズムと比較して,トレーニング後の帯域幅,遅延,パケット損失率を向上できることがわかった。
• 参考スコア（独自算出の注目度）: 4.904736570736502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional multicast routing methods have some problems in constructing a multicast tree, such as limited access to network state information, poor adaptability to dynamic and complex changes in the network, and inflexible data forwarding. To address these defects, the optimal multicast routing problem in software-defined networking (SDN) is tailored as a multi-objective optimization problem, and an intelligent multicast routing algorithm DRL-M4MR based on the deep Q network (DQN) deep reinforcement learning (DRL) method is designed to construct a multicast tree in SDN. First, the multicast tree state matrix, link bandwidth matrix, link delay matrix, and link packet loss rate matrix are designed as the state space of the DRL agent by combining the global view and control of the SDN. Second, the action space of the agent is all the links in the network, and the action selection strategy is designed to add the links to the current multicast tree under four cases. Third, single-step and final reward function forms are designed to guide the intelligence to make decisions to construct the optimal multicast tree. The experimental results show that, compared with existing algorithms, the multicast tree construct by DRL-M4MR can obtain better bandwidth, delay, and packet loss rate performance after training, and it can make more intelligent multicast routing decisions in a dynamic network environment.
• Abstract（参考訳）: 従来のマルチキャストルーティング手法では、ネットワーク状態情報への限られたアクセス、ネットワークの動的かつ複雑な変更への適応性の低下、柔軟性のないデータ転送など、マルチキャストツリーの構築にいくつかの問題がある。 これらの欠陥に対処するために、ソフトウェア定義ネットワーク(SDN)における最適マルチキャストルーティング問題を多目的最適化問題として調整し、深部Qネットワーク(DQN)深部強化学習(DRL)に基づくインテリジェントマルチキャストルーティングアルゴリズムDRL-M4MRをSDNでマルチキャストツリーを構築するために設計する。 まず、sdnのグローバルビューと制御を組み合わせることにより、drlエージェントの状態空間として、マルチキャストツリー状態行列、リンク帯域幅行列、リンク遅延行列、リンクパケット損失率行列を設計する。 第2に、エージェントのアクション空間はネットワーク内のすべてのリンクであり、アクション選択戦略は4つのケースで現在のマルチキャストツリーへのリンクを追加するように設計されている。 第3に、単一ステップおよび最終報酬関数形式は、インテリジェンスを誘導して最適なマルチキャストツリーを構築するための決定を行うように設計されている。 実験の結果,DRL-M4MRによるマルチキャストツリー構築は,既存のアルゴリズムと比較すると,トレーニング後の帯域幅,遅延,パケット損失率のパフォーマンスが向上し,動的ネットワーク環境においてよりインテリジェントなマルチキャストルーティング決定を行うことができた。

関連論文リスト

• MA-CDMR: An Intelligent Cross-domain Multicast Routing Method based on Multiagent Deep Reinforcement Learning in Multi-domain SDWN [11.292955979869628]
  複数のコントローラを持つソフトウェア定義無線ネットワークにおけるクロスドメインマルチキャストルーティングは、古典的なNPハード最適化問題である。 既存のソリューションは、ネットワークトラフィックの状態を検出する能力に制限があり、マルチキャストサービスのサービス品質に影響を与える。 本稿では,マルチコントローラドメインを用いたSDWNのためのマルチエージェント深層強化学習に基づくクロスドメインマルチキャストルーティング手法の設計と実装を目的とする。
  論文  参考訳（メタデータ） (2024-08-27T08:16:32Z)
• 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)
• DeepMPR: Enhancing Opportunistic Routing in Wireless Networks through Multi-Agent Deep Reinforcement Learning [0.5818726765408144]
  機会的ルーティングは、無線ネットワークのブロードキャスト能力に依存する。 ブロードキャストのコストを削減するため、マルチキャストルーティングスキームはネットワークオーバーヘッドを減らすためにコネクテッド・ドミネーション・セット(CDS)またはマルチポイント・リレー・セット(MPR)を使用する。 一般的なMPR選択アルゴリズムは、ノード間の調整に依存し、大規模ネットワークには高い計算能力を必要とし、ネットワークの不確実性にチューニングすることが困難である。 本稿では,OLSR MPR選択アルゴリズムよりも優れた新しいMPRマルチキャストルーティング手法であるDeepMPRを設計するために,マルチエージェントディープ強化学習を用いる。
  論文  参考訳（メタデータ） (2023-06-16T05:53:42Z)
• DHRL-FNMR: An Intelligent Multicast Routing Approach Based on Deep Hierarchical Reinforcement Learning in SDN [0.8189319151315168]
  Software-Defined Networking (SDN) における最適マルチキャストツリー問題はNPハード最適化問題である。 上記の問題を回避するために,階層的強化学習に基づくインテリジェントマルチキャストルーティングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-30T14:40:40Z)
• Intelligent multicast routing method based on multi-agent deep reinforcement learning in SDWN [4.521033397097599]
  マルチキャスト通信技術は、デバイス密度の高い無線環境に広く応用されている。 本稿では,ソフトウェア定義無線ネットワーク(SDWN)環境におけるマルチエージェント深部強化学習(MADRL-MR)に基づく新しいマルチキャストルーティング手法を提案する。 シミュレーション実験により,MADRL-MRはスループット,遅延,パケット損失率などの観点から,既存のアルゴリズムよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-05-12T14:05:03Z)
• Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
  マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。 MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。 実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
  論文  参考訳（メタデータ） (2022-09-30T03:40:10Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• DS-Net++: Dynamic Weight Slicing for Efficient Inference in CNNs and Transformers [105.74546828182834]
  本稿では,様々な難易度を持つ入力に対して,ネットワークパラメータの一部を適応的にスライスする動的ウェイトスライシングという,ハードウェア効率のよい動的推論方式を示す。 我々は、CNNのフィルタ数とCNNと変換器の多重次元を入力依存的に調整することで、動的スライム可能なネットワーク(DS-Net)と動的スライス可能なネットワーク(DS-Net++)を提案する。
  論文  参考訳（メタデータ） (2021-09-21T09:57:21Z)
• Deep Learning-based Implicit CSI Feedback in Massive MIMO [68.81204537021821]
  ニューラルネットワーク(NN)を用いて,プリコーディング行列インジケータ(PMI)符号化とデコードモジュールを置き換える,低オーバヘッド特性を継承するDLベースの暗黙的フィードバックアーキテクチャを提案する。 1つのリソースブロック(RB)では、2つのアンテナ構成下のタイプIコードブックと比較して25.0%と40.0%のオーバーヘッドを節約できる。
  論文  参考訳（メタデータ） (2021-05-21T02:43:02Z)
• Joint Deep Reinforcement Learning and Unfolding: Beam Selection and Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
  離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。 本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
  論文  参考訳（メタデータ） (2021-01-05T03:55:04Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)

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。