論文の概要: Machine Learning and Analytical Power Consumption Models for 5G Base Stations

• arxiv url: http://arxiv.org/abs/2209.11600v1
• Date: Fri, 23 Sep 2022 14:07:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 17:34:48.407314
• Title: Machine Learning and Analytical Power Consumption Models for 5G Base Stations
• Title（参考訳）: 5g基地局の機械学習と解析電力消費モデル
• Authors: Nicola Piovesan, David Lopez-Perez, Antonio De Domenico, Xinli Geng, Harvey Bao, Merouane Debbah
• Abstract要約: 本稿では,5GマルチキャリアBSの消費電力を現実的に評価するための新しいモデルを提案する。 このフレームワークが収集した知識を活用して、現実的で分析可能な電力消費モデルを導出する。
• 参考スコア（独自算出の注目度）: 6.287715553901191
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The energy consumption of the fifth generation(5G) of mobile networks is one of the major concerns of the telecom industry. However, there is not currently an accurate and tractable approach to evaluate 5G base stations (BSs) power consumption. In this article, we propose a novel model for a realistic characterisation of the power consumption of 5G multi-carrier BSs, which builds on a large data collection campaign. At first, we define a machine learning architecture that allows modelling multiple 5G BS products. Then, we exploit the knowledge gathered by this framework to derive a realistic and analytically tractable power consumption model, which can help driving both theoretical analyses as well as feature standardisation, development and optimisation frameworks. Notably, we demonstrate that such model has high precision, and it is able of capturing the benefits of energy saving mechanisms. We believe this analytical model represents a fundamental tool for understanding 5G BSs power consumption, and accurately optimising the network energy efficiency.
• Abstract（参考訳）: モバイルネットワークの第5世代(5G)のエネルギー消費は、通信業界の大きな関心事の一つである。 しかし、現在、5G基地局(BS)の消費電力を評価するための正確でトラクタブルなアプローチは存在しない。 本稿では,大規模なデータ収集キャンペーンを基盤とした5GマルチキャリアBSの消費電力の現実的特徴化のための新しいモデルを提案する。 まず、複数の5G BS製品をモデル化できる機械学習アーキテクチャを定義します。 そして、このフレームワークが収集した知識を利用して、現実的な分析可能な消費電力モデルを導出し、理論解析と機能標準化、開発、最適化のフレームワークの両方を駆動するのに役立つ。 特に、そのようなモデルが高精度であり、省エネ機構の利点を捉えることができることを示す。 この分析モデルは、5G BSの消費電力を理解し、ネットワークエネルギー効率を正確に最適化するための基本的なツールであると考えている。

関連論文リスト

• Revisiting DNN Training for Intermittently Powered Energy Harvesting Micro Computers [0.6721767679705013]
  本研究では,エネルギー制約環境下でのディープニューラルネットワークに適した新しいトレーニング手法を紹介し,評価する。 本稿では,デバイスアーキテクチャとエネルギー可用性の変動性の両方に適応する動的ドロップアウト手法を提案する。 予備的な結果は、この戦略が5%未満の計算量を持つ最先端技術と比較して6～22%の精度向上をもたらすことを示している。
  論文  参考訳（メタデータ） (2024-08-25T01:13:00Z)
• Fine-Tuning and Deploying Large Language Models Over Edges: Issues and Approaches [64.42735183056062]
  大規模言語モデル(LLM)は、特殊モデルから多目的基礎モデルへと移行してきた。 LLMは印象的なゼロショット能力を示すが、ローカルデータセットとデプロイメントのための重要なリソースを微調整する必要がある。
  論文  参考訳（メタデータ） (2024-08-20T09:42:17Z)
• Modelling the 5G Energy Consumption using Real-world Data: Energy Fingerprint is All You Need [21.483076846188837]
  本稿では、ITU 5G基地エネルギー消費モデルチャレンジで使用される実世界のデータセットから学習し、新しい5G基地エネルギー消費モデルを提案する。 提案手法は既存のモデルよりも大幅に改善され,平均絶対パーセンテージエラー(MAPE)が12.75%から4.98%に削減され,60%以上の性能向上が達成された。
  論文  参考訳（メタデータ） (2024-06-13T06:02:15Z)
• Scaling Laws for Sparsely-Connected Foundation Models [70.41266138010657]
  大規模データセット上でトレーニングしたトランスフォーマーのスケーリング挙動に及ぼすパラメータ空間の影響について検討する。 重み空間,非ゼロパラメータ数,およびトレーニングデータの量との関係を記述した最初のスケーリング法則を同定する。
  論文  参考訳（メタデータ） (2023-09-15T16:29:27Z)
• EnergyAnalyzer: Using Static WCET Analysis Techniques to Estimate the Energy Consumption of Embedded Applications [0.6144680854063939]
  EnergyAnalyzerは、組み込みソフトウェアのエネルギー消費を推定するためのコードレベルの静的解析ツールである。 これは、エネルギー特性が第一級市民である組み込みアプリケーションを開発するためのツールチェーンを提供することを目的とした、TeamPlayと呼ばれるより大きなプロジェクトの一部として開発された。
  論文  参考訳（メタデータ） (2023-05-24T10:01:32Z)
• Power Consumption Modeling of 5G Multi-Carrier Base Stations: A Machine Learning Approach [6.74575019261951]
  人工ニューラルネットワークを用いた5G AAUの消費電力モデルを提案する。 各種のAAUの消費電力挙動を把握できる汎用モデルの設計の利点を示す。
  論文  参考訳（メタデータ） (2022-12-08T15:16:44Z)
• Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
  我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。 提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-03-22T21:22:51Z)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)
• Knowledge- and Data-driven Services for Energy Systems using Graph Neural Networks [0.9809636731336702]
  グラフニューラルネットワーク(GNN)の枠組みに基づくエネルギーシステムのためのデータおよび知識駆動型確率的グラフィカルモデルを提案する。 このモデルは、グリッドトポロジや物理制約の形で、明らかにドメイン知識をファクタリングし、スパーアーキテクチャとはるかに小さなパラメータの寸法性をもたらす。 実世界のスマートグリッドデモプロジェクトから得られた結果は、グリッドの混雑予測や市場入札サービスにどのようにGNNを使用したかを示している。
  論文  参考訳（メタデータ） (2021-03-12T13:00:01Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。