論文の概要: Federated Meta-Learning for Traffic Steering in O-RAN
- arxiv url: http://arxiv.org/abs/2209.05874v1
- Date: Tue, 13 Sep 2022 10:39:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-14 13:23:10.024884
- Title: Federated Meta-Learning for Traffic Steering in O-RAN
- Title（参考訳）: O-RANにおけるトラヒックステアリングのためのフェデレーションメタラーニング
- Authors: Hakan Erdol, Xiaoyang Wang, Peizheng Li, Jonathan D. Thomas, Robert
Piechocki, George Oikonomou, Rui Inacio, Abdelrahim Ahmad, Keith Briggs,
Shipra Kapoor
- Abstract要約: フェデレーション・メタラーニング(FML)に基づくRATアロケーションのアルゴリズムを提案する。
LTEおよび5G NRサービス技術を含むシミュレーション環境を設計した。
- 参考スコア（独自算出の注目度）: 1.400970992993106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The vision of 5G lies in providing high data rates, low latency (for the aim
of near-real-time applications), significantly increased base station capacity,
and near-perfect quality of service (QoS) for users, compared to LTE networks.
In order to provide such services, 5G systems will support various combinations
of access technologies such as LTE, NR, NR-U and Wi-Fi. Each radio access
technology (RAT) provides different types of access, and these should be
allocated and managed optimally among the users. Besides resource management,
5G systems will also support a dual connectivity service. The orchestration of
the network therefore becomes a more difficult problem for system managers with
respect to legacy access technologies. In this paper, we propose an algorithm
for RAT allocation based on federated meta-learning (FML), which enables RAN
intelligent controllers (RICs) to adapt more quickly to dynamically changing
environments. We have designed a simulation environment which contains LTE and
5G NR service technologies. In the simulation, our objective is to fulfil UE
demands within the deadline of transmission to provide higher QoS values. We
compared our proposed algorithm with a single RL agent, the Reptile algorithm
and a rule-based heuristic method. Simulation results show that the proposed
FML method achieves higher caching rates at first deployment round 21% and 12%
respectively. Moreover, proposed approach adapts to new tasks and environments
most quickly amongst the compared methods.
- Abstract（参考訳）: 5Gのビジョンは、LTEネットワークと比較して、高いデータレート、低レイテンシ(ほぼリアルタイムなアプリケーションを目的とした)、ベースステーション容量の大幅な増加、およびほぼ完璧なサービス品質(QoS)を提供することにある。
このようなサービスを提供するため、5GシステムはLTE、NR、NR-U、Wi-Fiといった様々なアクセス技術の組み合わせをサポートする。
各無線アクセス技術(rat)は異なる種類のアクセスを提供し、ユーザー間で最適な割り当てと管理を行う必要がある。
リソース管理に加えて、5g systemsはデュアル接続サービスもサポートする。
したがって、ネットワークのオーケストレーションは、レガシーアクセス技術に関して、システムマネージャにとってより難しい問題となる。
本稿では,動的に変化する環境に対して,実行時インテリジェントコントローラ(rics)がより迅速に適応できるフェデレーションメタラーニング(fml)に基づくラット割当アルゴリズムを提案する。
LTEおよび5G NRサービス技術を含むシミュレーション環境を設計した。
シミュレーションでは,送信期限内にUE要求を満足させ,より高いQoS値を提供することが目的である。
提案アルゴリズムを1つのRLエージェント,Reptileアルゴリズム,ルールベースヒューリスティック手法と比較した。
シミュレーションの結果,提案手法は初回配備時のキャッシュレートを21%と12%に向上させることがわかった。
さらに、提案手法は、比較手法の中で最も迅速に新しいタスクと環境に適応する。
関連論文リスト
- FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with
Online Learning [60.17407932691429]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳（メタデータ） (2023-09-04T17:30:21Z) - Intelligent O-RAN Traffic Steering for URLLC Through Deep Reinforcement
Learning [3.59419219139168]
Open RAN(O-RAN)は、インテリジェントなRANアーキテクチャを構築するための有望なパラダイムである。
本稿では,機械学習(ML)に基づくトラフィックステアリング(TS)方式を提案する。
我々のソリューションは、O-RANのxAppsとして提供される従来のリアクティブTSアプローチに対して評価され、デプロイされたすべてのSFC間で平均15.81パーセントの待ち行列が減少することを示している。
論文 参考訳（メタデータ） (2023-03-03T14:34:25Z) - Programmable and Customized Intelligence for Traffic Steering in 5G
Networks Using Open RAN Architectures [16.48682480842328]
5G以降のモバイルネットワークは、前例のない規模で異質なユースケースをサポートする。
無線アクセスネットワーク(RAN)のこのようなきめ細かい制御は、現在のセルアーキテクチャでは不可能である。
クローズドループ制御を可能とし,ユーザレベルでRANをデータ駆動でインテリジェントに最適化するオープンアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-09-28T15:31:06Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - 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) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - Deep Reinforcement Learning for Adaptive Network Slicing in 5G for
Intelligent Vehicular Systems and Smart Cities [19.723551683930776]
エッジコントローラ(EC)と協調したフォグノードのクラスタ(FN)に基づくネットワークスライシングモデルを開発する。
クラスタ内の各サービスリクエストに対して、ECは、どのFNがタスクを実行し、エッジでローカルにリクエストをサーブするか、あるいはタスクを拒否し、それをクラウドに参照するかを決定する。
本稿では,最適スライシングポリシーを適応的に学習する深層強化学習(DRL)ソリューションを提案する。
論文 参考訳（メタデータ） (2020-10-19T23:30:08Z) - Multi-Agent Reinforcement Learning for Adaptive User Association in
Dynamic mmWave Networks [17.295158818748188]
マルチエージェント強化学習に基づくユーザアソシエーションのためのスケーラブルで柔軟なアルゴリズムを提案する。
ユーザーは、ローカルな観察のみに基づいて、ネットワークの総和率を最適化するために、自律的に行動を調整することを学習する独立したエージェントとして振る舞う。
シミュレーションの結果,提案アルゴリズムは無線環境の変化に適応できることを示す。
論文 参考訳（メタデータ） (2020-06-16T10:51:27Z)
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。