論文の概要: Multi-agent reinforcement learning for intent-based service assurance in
cellular networks
- arxiv url: http://arxiv.org/abs/2208.03740v1
- Date: Sun, 7 Aug 2022 14:42:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 12:34:12.658974
- Title: Multi-agent reinforcement learning for intent-based service assurance in
cellular networks
- Title（参考訳）: セルラーネットワークにおける意図に基づくサービス保証のためのマルチエージェント強化学習
- Authors: Satheesh K. Perepu, Jean P. Martins, Ricardo Souza S, Kaushik Dey
- Abstract要約: マルチエージェント強化学習(MARL)技術は、従来の閉ループ制御が不足している多くの分野において大きな可能性を示している。
本研究では,MARLに基づくシステムモデルを必要としないインテントベースの管理を実現する手法を提案する。
- 参考スコア（独自算出の注目度）: 1.8352113484137629
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, intent-based management is receiving good attention in telecom
networks owing to stringent performance requirements for many of the use cases.
Several approaches on the literature employ traditional methods in the telecom
domain to fulfill intents on the KPIs, which can be defined as a closed loop.
However, these methods consider every closed-loop independent of each other
which degrades the combined closed-loop performance. Also, when many closed
loops are needed, these methods are not easily scalable. Multi-agent
reinforcement learning (MARL) techniques have shown significant promise in many
areas in which traditional closed-loop control falls short, typically for
complex coordination and conflict management among loops. In this work, we
propose a method based on MARL to achieve intent-based management without the
requirement of the model of the underlying system. Moreover, when there are
conflicting intents, the MARL agents can implicitly incentivize the loops to
cooperate, without human interaction, by prioritizing the important KPIs.
Experiments have been performed on a network emulator on optimizing KPIs for
three services and we observe the proposed system performs well and is able to
fulfill all existing intents when there are enough resources or prioritize the
KPIs when there are scarce resources.
- Abstract（参考訳）: 近年,多くのユースケースにおいて,厳格な性能要件のため,テレコムネットワークにおいて意図に基づく管理が注目されている。
文献におけるいくつかのアプローチは、クローズドループとして定義できるKPIの意図を満たすために、通信領域における伝統的な手法を用いる。
しかし、これらの手法は互いに独立な全ての閉ループを考慮し、クローズドループ性能の組合せを劣化させる。
また、多くの閉ループが必要な場合、これらの方法は容易に拡張できない。
マルチエージェント強化学習(MARL)技術は、従来のクローズドループ制御が不足している多くの分野において、一般にループ間の複雑な協調と競合管理のために大きな可能性を示している。
本研究では,MARLに基づくシステムモデルを必要としないインテントベースの管理を実現する手法を提案する。
さらに、対立する意図がある場合、MARLエージェントは重要なKPIを優先順位付けすることで、人間の相互作用なしに協調するためのループを暗黙的に動機付けることができる。
ネットワークエミュレータ上で3つのサービスに対してKPIを最適化する実験が行われており、提案システムの性能は良好であり、十分なリソースがある場合やリソース不足時にKPIを優先する場合には、既存のすべての意図を満たすことができる。
関連論文リスト
- What If We Had Used a Different App? Reliable Counterfactual KPI Analysis in Wireless Systems [52.499838151272016]
本稿では、無線アクセスネットワーク(RAN)によって異なるアプリが実装された場合、キーパフォーマンス指標(KPI)の値を推定する「What-if」問題に対処する。
本稿では,推定値に対して信頼度の高い「エラーバー」を提供する無線システムに対する共形予測に基づく対実解析手法を提案する。
論文 参考訳（メタデータ） (2024-09-30T18:47:26Z) - Causality-Driven Reinforcement Learning for Joint Communication and Sensing [4.165335263540595]
我々は,mMIMOベースのJCAS環境に対する因果関係を介入し,発見することができる因果関係認識型RLエージェントを提案する。
我々は、RLに基づくJCASの因果発見を実現するために、状態依存行動次元選択戦略を用いる。
論文 参考訳（メタデータ） (2024-09-07T07:15:57Z) - Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。
STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。
複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
論文 参考訳（メタデータ） (2024-06-19T07:17:04Z) - Attention-based Open RAN Slice Management using Deep Reinforcement
Learning [6.177038245239758]
本稿では,O-RAN分散化モジュールと分散エージェント協調を利用した,革新的アテンションベースディープRL(ADRL)技術を提案する。
シミュレーションの結果,他のDRLベースライン法と比較してネットワーク性能が大幅に向上した。
論文 参考訳（メタデータ） (2023-06-15T20:37:19Z) - Distributed-Training-and-Execution Multi-Agent Reinforcement Learning
for Power Control in HetNet [48.96004919910818]
We propose a multi-agent Deep reinforcement learning (MADRL) based power control scheme for the HetNet。
エージェント間の協調を促進するために,MADRLシステムのためのペナルティベースQラーニング(PQL)アルゴリズムを開発した。
このように、エージェントのポリシーは、他のエージェントによってより容易に学習でき、より効率的なコラボレーションプロセスをもたらす。
論文 参考訳（メタデータ） (2022-12-15T17:01:56Z) - 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) - Deep Reinforcement Learning for Joint Spectrum and Power Allocation in
Cellular Networks [9.339885875216387]
2つの異なる深層強化学習アルゴリズムは、共同目標を最大化するために同時に実行および訓練されるように設計されている。
その結果,提案手法は,最先端分数型プログラミングアルゴリズムと,深層強化学習に基づく先行手法の両方に勝ることがわかった。
論文 参考訳（メタデータ） (2020-12-19T13:14:44Z) - Toward Multiple Federated Learning Services Resource Sharing in Mobile
Edge Networks [88.15736037284408]
本稿では,マルチアクセスエッジコンピューティングサーバにおいて,複数のフェデレーション付き学習サービスの新たなモデルについて検討する。
共同資源最適化とハイパーラーニング率制御の問題,すなわちMS-FEDLを提案する。
シミュレーションの結果,提案アルゴリズムの収束性能を実証した。
論文 参考訳（メタデータ） (2020-11-25T01:29:41Z) - Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。
提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。
シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
論文 参考訳（メタデータ） (2020-10-06T16:51:09Z) - F2A2: Flexible Fully-decentralized Approximate Actor-critic for
Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。
本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。
当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
論文 参考訳（メタデータ） (2020-04-17T14:56:29Z)
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。