論文の概要: On-Demand Resource Management for 6G Wireless Networks Using
Knowledge-Assisted Dynamic Neural Networks
- arxiv url: http://arxiv.org/abs/2208.01785v1
- Date: Tue, 2 Aug 2022 23:40:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-05 13:09:05.206809
- Title: On-Demand Resource Management for 6G Wireless Networks Using
Knowledge-Assisted Dynamic Neural Networks
- Title（参考訳）: 知識支援型動的ニューラルネットワークを用いた6G無線ネットワークのオンデスマンド資源管理
- Authors: Longfei Ma, Nan Cheng, Xiucheng Wang, Ruijin Sun, and Ning Lu
- Abstract要約: 本稿では,オーケストレーション決定プロセスにおける計算遅延に着目し,オンデマンド無線リソースオーケストレーション問題について検討する。
動的ニューラルネットワーク(DyNN)に基づく手法を提案し,サービス要求に応じてモデルの複雑性を調整する。
知識を活用することで、DyNNの幅をタイムリーに選択でき、さらにオーケストレーションの性能を向上させることができる。
- 参考スコア（独自算出の注目度）: 13.318287511072354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: On-demand service provisioning is a critical yet challenging issue in 6G
wireless communication networks, since emerging services have significantly
diverse requirements and the network resources become increasingly
heterogeneous and dynamic. In this paper, we study the on-demand wireless
resource orchestration problem with the focus on the computing delay in
orchestration decision-making process. Specifically, we take the
decision-making delay into the optimization problem. Then, a dynamic neural
network (DyNN)-based method is proposed, where the model complexity can be
adjusted according to the service requirements. We further build a knowledge
base representing the relationship among the service requirements, available
computing resources, and the resource allocation performance. By exploiting the
knowledge, the width of DyNN can be selected in a timely manner, further
improving the performance of orchestration. Simulation results show that the
proposed scheme significantly outperforms the traditional static neural
network, and also shows sufficient flexibility in on-demand service
provisioning.
- Abstract（参考訳）: 6G無線通信ネットワークにおいて、オンデマンドサービスのプロビジョニングは重要な課題であるが、新興サービスの要求は様々であり、ネットワークリソースはますます異質化され、動的化する。
本稿では,オーケストレーション意思決定プロセスにおける計算遅延に着目し,オンデマンドの無線リソースオーケストレーション問題について検討する。
具体的には,決定の遅れを最適化問題に適用する。
次に、動的ニューラルネットワーク(DyNN)に基づく手法を提案し、サービス要求に応じてモデルの複雑さを調整する。
さらに、サービス要件、利用可能なコンピューティングリソース、リソース割り当て性能の関係を表す知識ベースを構築します。
知識を活用することで、DyNNの幅をタイムリーに選択でき、さらにオーケストレーションの性能を向上させることができる。
シミュレーションの結果,提案手法は従来の静的ニューラルネットワークを著しく上回っており,オンデマンドサービスプロビジョニングの柔軟性も示している。
関連論文リスト
- Slicing for AI: An Online Learning Framework for Network Slicing Supporting AI Services [5.80147190706865]
6Gネットワークは、革新的なネットワークスライシング戦略を必要とするAI駆動サービスの新たな領域を受け入れる。
本稿では,AIサービスへの計算・通信資源の割り当てを最適化するオンライン学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-20T14:38:54Z) - DRL Optimization Trajectory Generation via Wireless Network Intent-Guided Diffusion Models for Optimizing Resource Allocation [58.62766376631344]
本稿では、無線通信ネットワークの異なる状態変化に対応するために、カスタマイズされた無線ネットワークインテント(WNI-G)モデルを提案する。
大規模シミュレーションにより、動的通信システムにおけるスペクトル効率と従来のDRLモデルの変動の安定性が向上する。
論文 参考訳（メタデータ） (2024-10-18T14:04:38Z) - DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z) - ORIENT: A Priority-Aware Energy-Efficient Approach for Latency-Sensitive
Applications in 6G [15.753216159980434]
コンピューティングとネットワークにおけるエネルギー消費の増加に関する懸念が高まっている。
接続デバイスとリソース需要アプリケーションの増加は、エネルギー資源に対する前例のない課題を呈している。
PIRAと呼ばれるサービスインスタンス配置・割り当て・経路選択・要求優先順位付けの連立問題について検討する。
論文 参考訳（メタデータ） (2024-02-10T12:05:52Z) - Flex-Net: A Graph Neural Network Approach to Resource Management in
Flexible Duplex Networks [11.89735327420275]
本研究では,静的時間スケジューリングを伴わないフレキシブルネットワークの総和率について検討する。
NPハードな無線リソース管理問題におけるグラフネットワーク(GNN)の最近の成功により、我々はFlex-Netという新しいGNNアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-01-20T12:49:21Z) - State-Augmented Learnable Algorithms for Resource Management in Wireless
Networks [124.89036526192268]
本稿では,無線ネットワークにおける資源管理問題を解決するためのステート拡張アルゴリズムを提案する。
提案アルゴリズムは, RRM決定を可能, ほぼ最適に行うことができることを示す。
論文 参考訳（メタデータ） (2022-07-05T18:02:54Z) - CLARA: A Constrained Reinforcement Learning Based Resource Allocation
Framework for Network Slicing [19.990451009223573]
ネットワークスライシングは,5Gおよび将来のネットワークにおける資源利用のための有望なソリューションとして提案されている。
モデルや隠れ構造を知らずにCMDP(Constrained Markov Decision Process)として問題を定式化する。
本稿では、制約付き強化LeArningに基づくリソース割当アルゴリズムであるCLARAを用いて、この問題を解決することを提案する。
論文 参考訳（メタデータ） (2021-11-16T11:54:09Z) - Offline Contextual Bandits for Wireless Network Optimization [107.24086150482843]
本稿では,ユーザ要求の変化に応じて,ネットワーク内の各セルの構成パラメータを自動的に調整するポリシの学習方法について検討する。
私たちのソリューションは、オフライン学習のための既存の方法を組み合わせて、この文脈で生じる重要な課題を克服する原則的な方法でそれらを適応します。
論文 参考訳（メタデータ） (2021-11-11T11:31:20Z) - Deep Reinforcement Learning-Aided RAN Slicing Enforcement for B5G
Latency Sensitive Services [10.718353079920007]
本論文では、無線アクセスネットワークスライスと無線リソース管理に対処するために、ネットワークの端でDeep Reinforcement Learningを利用する新しいアーキテクチャを提案する。
提案手法の有効性を,自律走行型ユースケースを考慮したコンピュータシミュレーションにより検討した。
論文 参考訳（メタデータ） (2021-03-18T14:18:34Z) - Resource Allocation via Graph Neural Networks in Free Space Optical
Fronthaul Networks [119.81868223344173]
本稿では,自由空間光(FSO)フロントホールネットワークにおける最適資源割り当てについて検討する。
我々は、FSOネットワーク構造を利用するために、ポリシーパラメータ化のためのグラフニューラルネットワーク(GNN)を検討する。
本アルゴリズムは,システムモデルに関する知識が不要なモデルフリーでGNNを訓練するために開発された。
論文 参考訳（メタデータ） (2020-06-26T14:20:48Z) - Deep Learning for Radio Resource Allocation with Diverse
Quality-of-Service Requirements in 5G [53.23237216769839]
本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。
完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。
無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
論文 参考訳（メタデータ） (2020-03-29T04:48:22Z)
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。